引荐垃圾流量：三种类型、怎么识别、在哪一层拦

报表里出现从没见过的奇怪来源，通常就是引荐垃圾流量。本文把它分成三种（幽灵请求、爬虫访问和脚本化的浏览器访问），说明每种在报表里的迹象，以及该在哪一层处理，从采集白名单到报表筛选。

什么是引荐垃圾流量

引荐垃圾流量（referral spam，也叫 referrer spam）是把某个网站伪装成来源的虚假流量，让这个网站的名字出现在你的统计报表里。目的通常是勾起你的好奇心去访问它（见维基百科）。它会扭曲流量、跳出率和渠道报表，而且有一部分根本就不是访问。

引荐垃圾流量的三种类型

处理办法取决于是哪一种：

1. 幽灵垃圾：用你网站的统计 ID，直接向统计采集接口发送伪造的请求。发送者从没加载过你的页面，所以你服务器上的任何措施都拦不住它。
2. 爬虫垃圾：机器人带着伪造的来源头请求你的页面。它会出现在服务器日志里，只有执行了你的脚本才会出现在统计里。
3. 脚本化的浏览器访问：无头浏览器加载页面并执行脚本，看上去就像带来源的真实访客。

下表列出每种类型的迹象，以及能在哪一层拦住它。

服务器屏蔽拦不住幽灵垃圾。

在报表里识别

垃圾来源有一些真实来源很少具备的共同特征：

• 每个会话都跳出，时长为 0 或接近 0。
• 落地页根本不存在，或者主机名不是你的（幽灵请求）。
• 从没听说过的来源域名，常带「traffic」「seo」「buttons」之类的词，有时每周换一个域名后缀。
• 某几天突然冲高，然后销声匿迹。

示例里，前两个来源是真实的：会话持续几分钟，访问好几个页面。后三个是垃圾：每个会话一个页面、0 秒，其中一个落在网站根本没有的路径上。

在对的那一层处理

• 采集时：只接受来自自己域名的请求。幽灵请求来自别处，在存储前就会被拒绝。这是最有效的一道控制。
• 机器人识别：把识别出的机器人和真人报表分开，爬虫垃圾就不会抬高访客数。
• 排除规则：规律明确时，按主机名、User-Agent、IP 或路径丢弃请求。
• 报表筛选：调查期间先在报表视图里隐藏某个来源，不删数据。
• 在服务器上：屏蔽爬虫的 IP 或 User-Agent 能减轻服务器负载，但拦不住幽灵垃圾，因为它根本不会到你这里。

避免一个常见错误：不要去访问垃圾域名「看看」。

清理要分享的报表

采集层的规则只影响新数据。过去的时间段，用一个排除垃圾来源的已保存筛选，并在分享的内容里注明日期范围。对比处理前后的总数：如果垃圾占比大，渠道占比和跳出率都会明显变化。相关内容：直接访问（来源缺失时，部分垃圾会落到那里）和网站访客追踪。

TapCub 里的引荐垃圾流量

TapCub 会把每个请求和项目的允许域名对照：请求的来源主机（以及页面网址的主机）不在列表里，事件就会被丢弃。采集端仍然返回 202，所以发送者无法判断请求有没有被存下（见文档项目设置）。这就挡住了用你的站点密钥、从其他来源发来的幽灵垃圾。

识别出的机器人默认进入单独的机器人报表，不计入真人访客、会话和浏览量（见文档机器人与 AI 爬虫）。排除规则可以按地址、路径、主机名或 User-Agent 丢弃事件；调查期间可以用筛选收窄任意报表（见文档筛选与分享）。要同时排除自己团队的访问，见排除内部流量。更多见机器人和渠道。

常见问题

什么是引荐垃圾流量？

把发送者的网站显示为来源的虚假流量，让它出现在你的统计报表里。

什么是幽灵垃圾？

用你的统计 ID 直接发到采集接口的伪造请求，从没真正访问过你的网站。

怎么拦截引荐垃圾流量？

只接受来自自己域名的请求，把机器人和真人报表分开，对明确的规律加排除规则。服务器屏蔽只对爬虫垃圾有用。

引荐垃圾流量有害吗？

主要伤害你的数据：抬高流量和跳出率，污染渠道报表。不要去访问那些来源网站。

能从历史数据里去掉引荐垃圾吗？

采集规则只作用于新数据。过去的时间段，用报表筛选把垃圾来源排除掉。