个人博客和小网站有必要做防采集吗？

结论先行：个人博客和小网站不需要做「防采集」，但必须做「防拖垮」——也就是限流和保护源站。真正会把你打疼的不是有人抄你的文章，而是采集器把你的带宽、CPU 或数据库连接数跑满。所以花 30 分钟配上 Nginx 限流 + CDN，性价比远高于去研究 JS 加密、字体混淆这些重型反爬手段。

防采集和防拖垮，到底有什么区别？

结论：防采集的目标是「不让人拿走内容」，防拖垮的目标是「不让人搞挂服务器」，后者才是小站该关心的。

• 防采集：屏蔽特定 User-Agent、验证码、内容加密、图片防盗链。这类手段会被绕过，成本却是持续的：搜索引擎也可能被误伤。
• 防拖垮：限制单 IP 的请求频率与并发数、挡掉异常流量。这类手段是「无差别安全网」，不会误伤正常读者，配置一次可以长期生效。

一个静态博客（Hexo、Hugo 生成）被爬 1 万次，代价只是几 MB 流量；一个 WordPress 动态站被爬 1 万次，就是 1 万次 PHP 执行加 MySQL 查询，共享主机上很可能直接 503。

不设防的小站会遇到什么具体后果？

结论：最常见的是三种——带宽被跑满、数据库连接被打爆、运营成本被动上涨。

1. 带宽跑满：采集器单线程每秒可请求 5–20 次，多线程轻松到每秒上百次。按每页 200 KB 算，10 请求/秒就是 2 MB/s，一天就是 170 GB。放在按流量计费的 CDN 上，这就是真金白银。
2. 数据库连接耗尽：WordPress 默认 max_connections 常见的共享主机只有 30–75，并发一上来就报「Error establishing a database connection」。
3. 内容被镜像：整站被搬到别的域名，搜索引擎收录重复内容，你的原创排名被分走。

成本最低的 3 个防护，具体怎么做？

结论：robots.txt 声明规矩、Nginx 限流兜底、CDN 挡在最前面，这三步加起来不到 1 小时。

第一步：robots.txt 只约束守规矩的爬虫。

User-agent: *
Crawl-delay: 10
Disallow: /search
Disallow: /*?s=
Sitemap: https://你的域名/sitemap.xml

注意：robots.txt 是君子协定，恶意采集器根本不看，但它能降低正常搜索引擎的抓取频率，值得写。

第二步：Nginx 限流，这是真正兜底的一层。

在 http 块加：

limit_req_zone  $binary_remote_addr zone=req_limit:10m rate=10r/s;
limit_conn_zone $binary_remote_addr zone=conn_limit:10m;

在 server 块加：

limit_req  zone=req_limit burst=20 nodelay;
limit_conn conn_limit 20;
limit_req_status 429;

含义：单 IP 平均每秒 10 个请求，允许瞬时突发 20 个，同时最多 20 个并发连接，超出返回 429。10m 内存可存约 16 万个 IP 状态，个人站完全够用。正常读者手速到不了 10 请求/秒，不会误伤。

第三步：套一层 CDN。

Cloudflare 免费版就够：开启 Bot Fight Mode、把 HTML 页面的缓存时间设成 2 小时以上。这样绝大多数请求在边缘节点就被挡掉或直接返回缓存，源站看到的请求量能降到原来的 1/10 甚至更低。

什么情况才值得上更重的反爬手段？

结论：只有当内容本身能直接变现、或已经出现整站镜像时，才值得上 JS 挑战、字体混淆、登录可见这类手段。

判断标准可以量化：连续 3 天日志里，单 IP 日请求超过 5000 次、或 429 响应占比超过总请求的 30%，再考虑升级。升级顺序建议是：Cloudflare 5 秒盾 → WAF 规则封 IP 段 → 内容接口要求登录。越往后，误伤正常读者和搜索引擎的风险越高。

内容被抄了，为什么不靠防采集解决？

结论：抄袭是版权问题，用 DMCA 投诉和首发时间戳解决，比技术对抗有效得多。

具体做法：文章发布时保留原始 URL 和发布时间；在页面加 rel="canonical" 指向原文；发现整站镜像后，向对方主机商和 Google 提交 DMCA 投诉（Google 的 Copyright Removal 流程通常 7–14 天处理）。同时给页面加 Article 结构化数据（datePublished），让搜索引擎能判断谁是原创。

总结一下：个人博客和小网站的正确姿势是「轻防采集、重防拖垮」。robots.txt 表明态度，Nginx 的 limit_req + limit_conn 做兜底，CDN 挡在最前面，三件事 1 小时内能做完，能挡住 95% 以上的粗暴采集和误伤风险。剩下的抄袭问题，交给时间戳和 DMCA，不要指望技术手段解决版权问题。