有时候我们的产品会遭遇网络爬虫，在进行数据分析的时候，这些爬虫带来的数据没有分析价值，且影响真实数据，火山引擎增长分析上线「爬虫数据过滤」功能是为帮助客户更好的应对网络爬虫数据，发现并处理带有爬虫特征的数据，支持将这部分数据进行标记或过滤。本文为您介绍爬虫识别相关规则与配置要点。

预置爬虫特征系统规则

• DataFinder系统数据流功能模块为您预置了的爬虫特征识别规则，已包含常见的爬虫场景，当网络请求的useAgent含有以下特征时，系统会自动识别为爬虫事件。

  "msnbot|Sosospider|Sosoimagespider|Sogou web spider|Googlebot|Baiduspider"  
  
  "360Spider|YoudaoBot|YandexBot|EasouSpider|Mediapartners-Google|APIs-Google|AdsBot-Google" 
  
  "JikeSpider|MJ12bot|ia_archiver|Rogerbot|exabot| DOCOMO Sprider" 
  
  "python-requests|HttpClient|Go-http-client|Python-urllib|gohttp|curl/|Surf/|Scrapy"
  

• 当被识别为爬虫事件后，在数据落库时，DataFinder会将对应事件的爬虫识别属性$is_spider 的取值标记为 true。

自定义爬虫特征规则

DataFinder也支持您在项目通用设置中手动配置自定义爬虫特征规则，自定义爬虫特征规则会在数据流模块处理上报数据时进行识别，您也可进一步对识别的爬虫数据设置是否需要拦截入库。
设置自定义规则后，在数据流阶段，当前项目会使用自定义规则来识别拦截相关的数据，即自定义规则会覆盖掉预置的系统规则。

登录并进入DataFinder控制台后，单击顶部导航栏的应用管理>应用设置>通用设置，在通用设置页面可以进行配置爬虫规则配置，界面如下：

• 您可单击配置爬虫规则链接，在弹出的页面中配置自定义爬虫规则。
• 您也可根据需要，选择是否打开 对于Web端数据配置爬虫的识别规则以及识别后的处理方式 开关。

（可选）配置自定义爬虫特征规则

DataFinder系统为您预置了爬虫特征规则，如果您不希望使用系统预置的规则，希望使用自定义的规则进行爬虫识别拦截，可单击页面的配置爬虫规则链接，在弹出的页面配置定义爬虫特征规则。

1. 在弹出的页面中添加自定义爬虫特征。

   注意

   自定义爬虫特征默认为空，表示使用预置的规则；如果您添加了自定义规则，则自定义规则会覆盖掉系统的预置规则。

   
   • 自定义规则需使用正则表达式，基于 UserAgent，每行一个特征；最多支持1000行。
   • 自定义规则仅影响T + 1的数据。
2. 配置爬虫过滤方式。可以选择“标记为爬虫”或“过滤不入库”。
   • 标记为爬虫：识别为爬虫的事件会正常入库，事件事项 $is_spider 的取值会标记为 true 。
   • 过滤不入库：识别为爬虫的事件会被拦截，不会落库。

配置规则是否需要对web端生效。

• 打开：爬虫规则应用到web端，其他端不生效。
• 关闭：爬虫规则所有端不生效。

如果您添加了自定义规则，则打开开关后，自定义规则会覆盖预置非全局规则，爬虫规则生效逻辑如下。