我的站有一天早上打开后台,待审评论显示 3 万多条。文章一共两百多篇,正常读者一周也就留十几条评论,这 3 万条全是脚本灌进来的。更麻烦的是,它们不是乱码,而是「写得像人」的短句,前面几条我差点当成真读者点了通过。
这件事之后我把评论链路从头到尾改了一遍。这篇文章按我实际的排查和改造顺序讲:先看清攻击是怎么打的,再一层层加卡口,最后讲怎么在不误伤真读者的前提下维持住。
一、先看清:垃圾评论不是一种东西
很多教程把垃圾评论当成一个整体来防,结果规则越加越乱。实际上灌进来的东西至少分四类,它们的动机和特征完全不同,用同一套规则去挡必然一边漏一边误伤。
第一类是纯链接广告:内容短、必带外链、常见词是「代购」「加微信」「点击了解更多」。这类最容易识别,也最早被各种插件干掉。
第二类是内容农场引流:评论内容通顺、和文章主题勉强相关,链接指向博彩、影视、小说站。这类会伪装成「同好交流」,只在昵称或网址字段放链接。
第三类是试探性提交:正文是一句「写得好」「学到了」,没有任何链接。它的目的不是让人看见,而是先确认你的表单没有防护,为后续批量投放做探路。这类最难判,也最容易被当成真读者放行。
第四类是SEO 外链建设:人工或半自动地在你站上留锚文本,指向客户的商业词页面。数量不大,但质量高、会盯着你的审核规则规避。
判据很清楚:如果待审列表里同一天出现大量「短句 + 无链接」的评论,说明你的表单已经被加入某个试探名单了,后面会来第二波。
二、第一道卡口:先让脚本提交不了
四类里有三类靠自动化提交,所以最划算的一步不是内容过滤,而是让「批量提交」这件事本身变贵。我的做法是表单层三件事一起上,成本很低但拦掉了一大半。
第一件是 honeypot 蜜罐字段。表单里加一个正常用户看不见的输入框,用 CSS 隐藏而不是 type="hidden",因为很多脚本会跳过 hidden 字段,但会填满所有可见的 input。
后端判据只有一条:这个字段非空就直接丢弃,返回 200 但什么都不入库。注意必须返回成功状态码,如果返回 403,脚本会知道被识破了,换着方法重试。
第二件是提交耗时校验。页面渲染时给表单写一个时间戳,后端收到提交时算差值,小于 3 秒的直接丢弃——正常读者读一篇文章再评论不可能只用两秒。同理大于 24 小时的也丢弃,那是别人存下来的旧表单被复用。
第三件是要求表单带一次性令牌。Typecho 的评论表单默认有 _ 字段做 CSRF 防护,但它只校验来源、不校验时效,脚本可以抓一次页面反复提交。我在主题里加了一个带过期时间的签名,10 分钟内有效,用完即弃。
这三件事做完,我这边的垃圾评论从每天几千条掉到每天几十条。剩下的才是真正需要「判断内容」的部分。
三、内容层:关键词规则要分级,不要一刀切
关键词黑名单是所有人第一反应会做的事,也是误伤最严重的地方。我第一版规则里加了「免费」这个词,结果读者问「免费证书怎么申请」的评论全被拦了。
后来我改成三级:硬拦、进审、仅标记。
硬拦只放那些在正常技术讨论里不可能出现的组合,比如「加微信 + 数字」「代开发票」「博彩/六合彩/时时彩」这类。判据是「出现即丢弃」,不进待审,避免污染审核列表。
进审放那些单独看没问题、但组合起来可疑的:出现外链同时正文少于 30 字;出现外链同时昵称里带业务词;一条评论里出现两个以上不同域名。
仅标记的是普通敏感词,比如「最便宜」「保证有效」。这类只打标签,不影响展示,方便我事后抽查规则质量。规则加错了,从标记里能立刻看出来。
SELECT cid, author, mail, url, text, created
FROM typecho_comments
WHERE status = 'waiting'
AND LENGTH(url) > 0
AND CHAR_LENGTH(text) < 30
ORDER BY created DESC
LIMIT 50;这条 SQL 是我每天早上第一眼看的东西。它只捞出「带链接且正文极短」的待审评论,这批里九成以上是垃圾。真读者留链接时通常会多说两句,这个特征在两年数据里一直成立。
规则维护的关键是留出退出通道。每周我会从「已通过」里随机抽二十条,看有没有被规则误杀的申诉;从「硬拦」里抽二十条,看有没有真读者被吃掉。两边都抽,才知道规则是偏松还是偏紧。
四、行为层:从提交节奏上识别
内容可以伪装,行为模式很难。脚本能写出通顺的句子,但它不会在页面上停留、不会滚动、也不会在两条评论之间隔上不规律的几分钟。
我在评论接口外面加了一个很轻的限流:同一 IP 每分钟最多 2 条、每小时最多 10 条,超出的不进黑名单、只返回「提交太快,请稍后再试」。这个阈值是拿真实数据定的——我统计了三个月的正常评论时间分布,单 IP 每小时超过 10 条的,一看全是垃圾。
limit_req_zone $binary_remote_addr zone=comment:10m rate=30r/m;
location = /comment-post {
limit_req zone=comment burst=4 nodelay;
limit_req_status 429;
include fastcgi_params;
fastcgi_pass unix:/run/php/php-fpm.sock;
}这里有个必须注意的点:不能只按 IP 限。移动网络下大量用户共用同一个出口 IP,一个 CGNAT 后面可能挂着几千人,按 IP 限流会把这批真读者一起挡住。所以我在 IP 之外又叠加了一个按 cookie 的 key,两者取更宽松的那个。
另一个有效信号是重复内容指纹。把评论正文去掉标点、转小写、取前 200 字做一个哈希,同一哈希重复出现直接丢弃。垃圾评论会在几十个站上发同样的句子,这个指纹在站内就能抓到大量重复。
还有一种很容易忽略的情况:同一 IP 对不同文章交替提交。这看起来像活跃读者,实际是脚本按 URL 列表遍历。判据是「十分钟内访问的页面数大于 20 且评论数大于 3」,命中就先静默进待审。
五、验证层:把邮箱、域名和链接都过一遍
前面三层拦的是「提交动作」,这一层拦的是「提交的内容本身有没有问题」。成本低、收益明确,我建议每个站都做。
邮箱先做格式与 MX 校验。垃圾评论大量使用不存在的域名,比如 @qq.con 这种拼写错误,或者干脆是随机字符串域名。用 checkdnsrr 查一下 MX 记录,查不到的直接降级为待审,不硬拦——因为偶尔有企业内部邮箱查不到 MX。
域名再看一次历史。新建不到 30 天的域名、或者被多个 IP 解析的域名、或者解析到同一个 C 段的域名,在垃圾评论里出现频率极高。这一步我用一个本地维护的小表,不做实时查询,避免接口拖慢评论提交。
最后是链接检查。评论里的外链如果指向一个 404 页面,那它九成是临时挂上去的短链或者已失效的投放链接,直接丢弃没什么损失。如果指向一个短链服务,进待审。
UPDATE typecho_comments
SET status = 'spam'
WHERE status = 'waiting'
AND url REGEXP '^https?://(bit\\.ly|tinyurl|t\\.cn|dwz\\.)'
AND created > UNIX_TIMESTAMP() - 86400;这类批量操作一定要先 SELECT 确认条数再 UPDATE。我第一次做的时候正则写错,把十几条正常评论标记成了垃圾,还是读者发邮件问我才发现。现在的习惯是固定三步:先 count,看一眼样本,再改状态。
六、别指望 CAPTCHA 解决一切
验证码看起来是最直接的答案,但它在评论场景下有三处明显代价,很多站加了之后评论量直接腰斩。
第一是移动端输入成本高。滑块、点选图片在小屏上失败率高,用户失败两次就走了。第二是隐私与可访问性。第三方验证码会把访客指纹送到境外服务,这在一些场景下需要额外说明;同时它对屏幕阅读器不友好。第三是对抗成本已翻转。现在打码平台的人工成本低到几厘钱一次,图片验证码在批量攻击面前几乎没有防线。
所以我把验证码从「必经」改成了「条件触发」:只有命中前面行为层可疑信号的会话才要求验证,真读者大概率一辈子见不到。这个策略的效果是评论量恢复,而垃圾量基本持平。
如果一定要用,优先选自建的简单算术题或者文字问答,把题目和答案放在服务端、按会话绑定,别把答案写在 HTML 里。我见过太多站把答案直接写进隐藏字段,脚本读一下就能过。
七、审核流:把「全人工」改成「分级抽检」
规则做得再好也会有漏网和误伤,所以最后一层一定是人,但人的时间要花在刀刃上。我把评论分成三条流水线。
第一条是自动通过:老读者(有过多次通过记录的邮箱)+ 无外链 + 命中「已确认安全」的历史指纹。这批直接上站,不做延迟。第二条是进待审:新访客、带外链、正文过短。第三条是直接丢弃:硬拦词、蜜罐命中、限流命中。
关键设计是「首次评论必审,之后按信用放行」。每个邮箱第一次留言一定进待审,通过之后给一个信用标记;后续只要不含外链,就直接放行。这条规则让我的日常审核量从每天一百多条降到十几条,而垃圾评论依然进不来——因为垃圾评论的发件邮箱每次都不一样,永远停在「首次」。
还有一条经验:不要给垃圾评论留「申诉」入口。有些主题会在被拦截时提示「你的评论被判定为垃圾」,这等于把规则告诉了攻击者。静默丢弃,前端只显示「评论已提交」,成本最低。
八、数据留存与清理:别让 spam 表成为负担
所有被判定为垃圾的评论我都保留,但只保留 30 天,用于事后分析规则和溯源。超过 30 天的按批删除,一次删几千条。
DELETE FROM typecho_comments
WHERE status = 'spam'
AND created < UNIX_TIMESTAMP() - 30 * 86400
LIMIT 2000;加 LIMIT 是有意的。评论表通常没有针对 status 和 created 的复合索引,一次删十万条会长时间锁表,前台评论提交跟着卡住。分成几十批跑,每批之间 sleep 一秒,对业务几乎无感。
另外注意统计口径。很多站长看「评论数」判断站点活跃度,如果不把 spam 排除,数字会虚高几十倍,反过来误导自己的内容判断。我在统计查询里统一加了 status = 'approved',并且把「每日新增垃圾数」单独做成一个指标——这个指标突然上涨,通常意味着我的某个卡口失效了,比任何告警都灵敏。
九、一份可以直接照抄的上线顺序
如果你现在正被垃圾评论困扰,按这个顺序做,每一步都能单独验证效果,别一次全上。
第一步,加蜜罐字段和提交耗时校验,观察一周。这一步没有误伤风险,能立刻砍掉大部分自动化提交。第二步,加 IP 与 cookie 双维限流,阈值先定宽一点(比如每小时 30 条),只记录不拦截,看一周真实分布后再收紧。第三步,上关键词三级规则,硬拦词清单从「出现即不可能正常」的开始,宁可少不要多。第四步,加邮箱与域名校验,全部走「降级到待审」而不是直接丢弃。第五步,做「首次评论必审 + 信用放行」的审核流。
每一步之后都要看两个数:垃圾拦截量和真读者评论量。如果拦截量涨了但评论量也掉了,说明规则太紧,先松一档。这两个数一起看,比任何「防刷插件推荐」都可靠。
最后一句实话:垃圾评论不会被彻底消灭,它是一场成本对冲。你要做的不是把垃圾清零,而是让攻击者觉得在你这个站上投放不划算,同时让真读者感觉不到任何阻碍。当你的规则让真读者开始抱怨「为什么我发不出去」的时候,那才是真正的失败。