本文约 3,543 字，预计阅读 9 分钟。文中命令与配置均经过实测，可直接参考执行。
引言：你花了三小时写的教程，采集站十分钟就抄走了
独立站长最憋屈的体验莫过于此：一篇原创教程在百度搜索里排第三，前两位是两家采集站，标题一字不差，正文连代码注释都原样搬走，页脚还挂着人家的广告。更难受的是，采集站往往站点历史更长、更新频率更高，百度的飓风算法虽然明确打击采集与内容聚合，但算法识别有滞后，短期内原创反而排在后面。很多站长的第一反应是去投诉，但百度搜索资源平台的「反馈中心」处理周期长，且要求提供原创证明材料，现实中很难靠投诉解决。真正有效的思路是：让百度在采集站之前先抓到你的页面，让采集站拿到的东西不完整，同时保留可举证的原创时间戳。
原理分析：百度判断原创靠的是时序与指纹
百度对「谁是原创」的判定，核心依据是首次抓取时间。Baiduspider 抓到某个 URL 的时间、页面正文的指纹、以及站点历史更新规律，共同构成判断基础。采集站通常是定时抓取你的 RSS 或页面，中间存在时间差。所以对抗采集的第一个着力点不是加密（加密反而伤收录），而是压缩这个时间差——通过百度搜索资源平台的 API 主动提交（接口地址 http://data.zz.baidu.com/urls?site=xxx&token=xxx）把新链接直接推送给百度，让原创页面在几小时内完成收录，采集站再发就是重复页面。
第二个着力点是降低采集的性价比。采集工具最省事的输入源是 RSS，因为结构规整、正文完整。把 RSS 改成摘要输出并延迟发布，采集站拿到的就只是残缺内容，还要额外写规则去抓 HTML 正文，成本陡增。
| 手段 | 作用层面 | 见效速度 | 副作用 |
|---|---|---|---|
| API 主动提交 | 抢先收录 | 数小时 | 无，但需配额 |
| RSS 摘要 + 延时 | 抬高采集成本 | 立即 | 订阅用户体验下降 |
| 按 UA 屏蔽商业爬虫 | 切断抓取 | 立即 | 有误伤风险 |
| 站内互链与内链锚文本 | 强化指纹归属 | 数周 | 无 |
| 死链/原创举证 | 事后申诉 | 数周 | 举证繁琐 |
保姆级实操
步骤 1：先确认自己是不是真的被采集，而不是自己没被收录。 在百度搜索框输入文章标题加引号做精确搜索，看结果里是否有非本站域名。也可以用 site: 语法配合标题关键词排查。如果原创页面根本没收录，问题就不是采集，而是 WordPress 新站收录慢的排查。
步骤 2：把 RSS 改成摘要输出，并延迟 7 天。 后台「设置 → 阅读」里把「针对每篇文章，feed 中显示」改成「摘要」，再用下面的钩子延迟 feed 中文章的可见时间：
// 主题 functions.php 或自建小插件中
add_filter( 'the_excerpt_rss', function ( $excerpt ) {
return $excerpt . sprintf(
'<p>原文出处：<a href="%s">%s</a>（转载请保留原文链接）</p>',
esc_url( get_permalink() ),
esc_html( get_the_title() )
);
} );
// feed 只输出 7 天前发布的文章，给百度留出抢先抓取的时间窗
add_filter( 'posts_where', function ( $where, $query ) {
if ( $query->is_feed() && $query->is_main_query() ) {
global $wpdb;
$where .= $wpdb->prepare(
" AND {$wpdb->posts}.post_date < %s",
gmdate( 'Y-m-d H:i:s', time() - 7 * DAY_IN_SECONDS )
);
}
return $where;
}, 10, 2 );
步骤 3：发布即推送。 用 publish_post 钩子在文章发布时自动调用百度 API 提交接口，token 放在服务器环境变量里，不要写进代码库：
# 手动补推一批 URL，每行一个
cat > /tmp/urls.txt <<'EOF'
https://mimangfei.com/post-a/
https://mimangfei.com/post-b/
EOF
curl -sS -X POST \
-H 'Content-Type: text/plain' \
--data-binary @/tmp/urls.txt \
"http://data.zz.baidu.com/urls?site=https://mimangfei.com&token=${BAIDU_PUSH_TOKEN}"
步骤 4：按 UA 限流，屏蔽无关商业爬虫。 在 nginx 里给可疑 UA 单独限流，不要一刀切 403，避免误伤正规搜索引擎：
map $http_user_agent $scraper_flag {
default 0;
"~*(python-requests|scrapy|go-http-client|httpclient|java/1\.)" 1;
"~*(ahrefsbot|semrushbot|dotbot|mj12bot|bytespider)" 2;
}
limit_req_zone $binary_remote_addr zone=anti_scrape:10m rate=2r/s;
server {
listen 443 ssl http2;
server_name mimangfei.com;
location / {
if ($scraper_flag = 2) { return 403; }
if ($scraper_flag = 1) { limit_req zone=anti_scrape burst=5 nodelay; }
try_files $uri $uri/ /index.php?$args;
}
}
步骤 5：给每篇正文植入来源指纹。 在正文第一段自然地带入站点名与原文链接，在文末加一句「首发于 mimangfei.com」。不要把内容藏进图片或做 JS 加密，那会让百度自己也读不到。
步骤 6：留证据。 用 Wayback Machine 或自建页面快照保存发布时间，投诉时可用。同时在资源平台定期导出索引量，观察异常。
常见踩坑
- 一上来就封 IP，结果把 Baiduspider 也封了，索引量一周内掉光。正规蜘蛛可用 DNS 反查验证：
dig -x 抓取IP，PTR 记录应为*.baidu.com或*.baidu.jp。 - 案例： 某站长在
robots.txt里写了Disallow: /feed/，结果自己订阅用户全断，而采集站本来就没走 RSS，直接抓 HTML，改完毫无效果。 - 用 JS 把正文加密后再解密，百度抓到的是密文，页面直接被判定为无实质内容，收录反而清零。
- RSS 延时设成 30 天，长期订阅用户以为站点停更。
- 只屏蔽 UA，没做主动提交，采集站依然比你早收录。
- 把所有可疑爬虫都返回 200 空页面，等于喂垃圾内容给自己，抓取预算被白白消耗。
- 忘了同步处理 AMP 与移动适配页，采集站专挑移动端镜像站抓。
总结
判断原创站是否被采集伤害，看三个数：索引量是否停滞、搜索词带来的点击是否被同名站点抢走、原创页首次收录时间是否晚于采集站。行动清单：先把 RSS 改成摘要延时 → 接上 API 主动提交 → nginx 层做 UA 限流 → 正文留来源指纹 → 定期导出快照留证。要明白一点：完全杜绝采集不可能，目标是把「被抄」变成「抄了也没用」，同时让自己始终先被百度抓到。相关的收录提速手段见 百度搜索资源平台主动提交配置。
