规则配置前的理解：为什么需要屏蔽低质量爬虫

在百度搜索引擎优化实践中，服务器日志中充斥着大量非必要的爬虫请求。这些请求来自低质量爬虫、采集工具或恶意扫描器，不仅消耗服务器带宽和计算资源，还会影响真实爬虫（如百度蜘蛛）的抓取效率。合理配置屏蔽规则，能帮助优质内容更快被收录，同时降低服务器负载。

核心配置位置：robots.txt

最常见的屏蔽方式是修改网站根目录下的robots.txt文件。但需要明确：robots.txt是协议性文件，遵守与否取决于爬虫本身。对于遵守协议的爬虫，可在此文件中直接禁用其访问。例如：

User-agent: SemrushBot
Disallow: /

User-agent: DotBot
Disallow: /

这种写法的缺点是需要逐条列出爬虫名称，不够灵活。当需要屏蔽大量未知爬虫时，正则规则便成为更高效的方案。

正则规则在服务器配置中的使用

若使用Nginx或Apache服务器，可在配置文件中通过正则匹配User-Agent来实现屏蔽。举例如下：

Nginx 示例

if ($http_user_agent ~* (SemrushBot|DotBot|MJ12bot|AhrefsBot|BLEXBot|Yeti)) {
    return 403;
}

这段配置会阻止User-Agent中包含指定关键词的爬虫访问。其中~*表示不区分大小写的正则匹配。关键词列表建议从常用低质量爬虫名称中选取，常见的包括：SemrushBot、DotBot、MJ12bot、AhrefsBot、BLEXBot、Yeti、Claude-Web等。

Apache 示例

RewriteEngine On
RewriteCond %{HTTP_USER_AGENT} ^.*(SemrushBot|DotBot|MJ12bot).*$ [NC]
RewriteRule .* - [F]

同样通过正则匹配User-Agent，返回403禁止访问。

正则规则编写技巧

编写屏蔽规则时，建议遵循以下常见原则：

• 使用不区分大小写匹配：爬虫可能变换大小写，添加i或NC标志可提高覆盖率。
• 使用竖线分隔多个关键词：将多个爬虫名称或特征词用|连接，一行规则即可覆盖多个目标。
• 避免屏蔽常用搜索引擎：百度、谷歌、必应等主流爬虫不应被误伤。可通过排除特定关键词来保护，例如添加条件：if ($http_user_agent !~* (Baiduspider|Googlebot|bingbot))。
• 谨慎使用通配符：过于宽泛的正则（如.*bot.*）可能误拦正常爬虫，建议基于已知名称列表。

结合爬虫行为特征进行多层防护

除User-Agent匹配外，还可结合IP段、请求频率等维度。例如，在Nginx中通过limit_req模块限制同一IP的请求速率：

limit_req_zone $binary_remote_addr zone=spider:10m rate=1r/s;
server {
    location / {
        limit_req zone=spider burst=5 nodelay;
    }
}

这种方法不依赖爬虫主动声明名称，能更有效地拦截不遵守协议的恶意爬虫。建议与User-Agent正则规则配合使用，形成多层防线。

定期更新规则列表

低质量爬虫的名称和特征会不断变化。建议每1-3个月检查一次服务器日志，识别新的异常User-Agent，并更新规则。可参考社区维护的爬虫黑名单，或使用第三方安全工具辅助分析。保持规则列表的时效性，才能持续降低无效请求对服务器和SEO的负面影响。

总结：正则规则是百度搜索引擎优化中屏蔽低质量爬虫的有效手段。通过正确配置Nginx或Apache的正则匹配，结合robots.txt协议与速率限制，能在不影响主流搜索引擎抓取的前提下，显著减少服务器负载，提升优质内容的抓取效率。