正则表达式在爬虫屏蔽中的核心作用

网站运营者常常面临低质量爬虫带来的困扰：它们占用服务器带宽、盗取内容、甚至尝试漏洞探测。在百度搜索引擎优化（SEO）实践中，合理运用正则表达式筛选爬虫，既能保障搜索引擎正常抓取，又能有效拦截恶意或低价值的机器人。正则规则是提升网站安全与性能的重要工具。

识别低质量爬虫的常见特征

低质量爬虫通常表现为：非主流搜索引擎的User-Agent、频繁且无规律的请求频率、模拟浏览器但缺少关键头信息。常见的低质量爬虫包括各类采集工具、扫描器、广告爬虫等。它们的User-Agent字符串往往包含类似“curl|python-requests|scrapy|MJ12bot|SemrushBot”等关键词。

正则规则的基本写法

在Nginx、Apache或CDN的访问控制中，正则表达式可用于匹配请求头中的User-Agent字段。以下是一个常用的基础规则示例：

if ($http_user_agent ~* (curl|python-requests|scrapy|MJ12bot|SemrushBot|AhrefsBot) ) {
    return 403;
}

该规则会拦截包含上述关键词的User-Agent，返回403禁止访问。其中~*表示不区分大小写的正则匹配。

优化正则以提高效率与准确性

直接使用简单关键词匹配可能会出现误伤。例如，“curl”可能出现在正常非浏览器请求中。建议采用更精确的边界匹配：

• 使用^或$锚定字符串开始或结束，例如^Mozilla/5\.0匹配以Mozilla开头的正常浏览器。
• 利用|组合多个关键词，但避免过度堆砌导致正则回溯开销过大。
• 在CDN或Web应用防火墙上设置速率限制，结合正则识别进行二次过滤。

针对百度搜索引擎的特殊处理

百度官方爬虫的User-Agent通常为Baiduspider，其格式类似于“Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)”。在屏蔽规则中，务必确保不拦截Baiduspider，否则会导致网站被百度降权或移除索引。推荐做法是：先放行已知的正规搜索引擎爬虫，再应用通用正则过滤低质量爬虫。

建议使用的正则表达式列表

部署时的注意事项

正则规则部署前应在测试环境中验证，避免因语法错误导致网站无法访问。建议采用白名单+黑名单的组合策略：先放行Baiduspider、Googlebot、Bingbot等主流搜索引擎，再对剩余请求应用正则黑名单。定期更新正则库，因为低质量爬虫也会伪装User-Agent。此外，结合日志分析工具（如百度统计或AWStats）监控拦截效果，调整规则参数。

安全提示：正则表达式只是防护手段之一。切勿完全依赖单一规则。建议配合IP黑名单、验证码、速率限制等综合措施，构建多层防御体系。

实践总结

掌握百度搜索引擎优化中的正则屏蔽规则，能让网站在保持良好SEO排名的同时，大幅降低低质量爬虫带来的资源消耗与安全隐患。关键在于平衡“识别”与“误伤”，精准编写正则，持续监控优化。对于非技术运营者，可借助服务器管理面板或CDN的预设规则快速部署，但理解正则原理有助于更精细地定制策略。