如何防止 RSS 输出被采集站批量利用？

结论：RSS 在技术上无法被彻底防住——它是无登录、无验证码的机器可读 XML，只要 feed 存在，采集站就能拉走。真正有效的思路是「降价值 + 提成本 + 留证据」三层叠加，把对方的采集收益压到接近零。

RSS 为什么天生就是采集站的最爱？

结论：因为 RSS 的设计目标就是「让机器自动获取最新内容」，这与采集站的需求完全重合。

一个标准 RSS 文件里包含标题、发布时间、正文（全文或摘要）、原文链接，全是结构化字段。采集站不需要解析 HTML 的复杂结构，不需要处理登录态和验证码，只要每 30 分钟拉一次 feed，就能拿到全站新文章。更麻烦的是：你无法区分「正常阅读器请求」和「采集器请求」，两者发出的 HTTP 请求几乎一模一样。

所以防护目标不是「拦住」，而是「让采走的内容没有 SEO 价值、没有阅读价值」。

最快见效的三招是什么？

结论：只输出摘要、给 feed 加延迟、强制带上原文链接和作者署名，这三招在 10 分钟内就能配置完成。

第一，只输出摘要。以 WordPress 为例：后台「设置 → 阅读 → 对于 feed 中的每篇文章，显示」选择「摘要」。摘要在 200-500 字之间即可，通常取正文前 2-3 段。采集站拿到的是残文，用户读了不完整内容仍需回到原文。

第二，加输出延迟。让 feed 只输出 24-48 小时前的文章，最新内容不在 feed 里。采集站无法抢在你之前或同步发布，搜索引擎会判定你的页面是首次发布来源。

第三，强制溯源。在 feed 的 description 字段末尾固定插入一行原文链接和作者名，例如「本文首发于 example.com，作者 XXX」。采集站往往只做正文抓取，这行文字会跟着被复制走，等于每篇被抄的文章都自带来源声明。

服务器层面如何限制批量抓取？

结论：用 Nginx 限流 + User-Agent 过滤 + CDN 频率规则，可以把单 IP 高频拉取的成本抬到不划算。

Nginx 里针对 feed 路径单独限流，示例参数：

location = /feed {
    limit_req zone=feedlimit burst=3 nodelay;
    limit_req_status 429;
}
limit_req_zone $binary_remote_addr zone=feedlimit:10m rate=6r/m;

含义是同一 IP 每分钟最多 6 次请求，超出返回 429。正常阅读器（如 Feedly、Inoreader）的抓取间隔通常在 1-6 小时，不会触发；采集脚本按分钟轮询必然被限。

同时过滤 UA：把已知的采集站爬虫 UA 直接返回 403，并在 Cloudflare 里加一条规则——同一 IP 在 60 秒内请求 /feed 超过 20 次即封禁 1 小时。

robots.txt 和协议声明有用吗？

结论：对遵守规则的搜索引擎有用，对采集站基本无用，但它是你后续维权的书面证据。

在 robots.txt 中写明：

User-agent: *
Disallow: /feed
Crawl-delay: 10

需要知道：Google 不支持 Crawl-delay，只支持 Disallow；Yandex、Bing 部分支持。所以 robots.txt 主要价值在于「事前声明意图」，当你发 DMCA 或律师函时，对方无法辩解「不知道你不允许采集」。

配套做法：在每篇文章页脚写明版权声明和转载要求；对全文输出做一次带站点名的隐形水印（在正文中插入零宽字符或特定标点组合），被抄后可快速举证。

什么时候应该直接关掉全文输出？

结论：如果你的核心商业模式依赖内容流量，且已被 3 家以上采集站持续搬运，直接关闭 RSS 全文输出或只保留标题输出是合理选择。

判断标准很具体：在搜索引擎搜你某篇文章的标题，如果前 3 条结果里有 2 条是他人域名，说明采集已经造成实际损失。此时可以：把 feed 改为只输出标题 + 链接；或给 feed 加访问令牌（如 /feed?key=xxx），仅向邮件订阅用户提供。

代价是 RSS 阅读器用户会流失，通常占独立访客的 1%-5%。这是一个流量与版权之间的取舍，没有统一答案。

总结：RSS 防采集没有单点解，靠的是摘要输出控制内容价值、限流和 UA 过滤抬高抓取成本、署名与 robots 声明留下证据，三者叠加后，采集站搬运你的内容既拿不到完整信息，又要承担被封和举证的风险。