相同點(diǎn)：
a. 兩者都需要直接抓取到網(wǎng)頁(yè)源碼才能有效工作，
b. 兩者單位時(shí)間內(nèi)會(huì)多次大量抓取被訪問(wèn)的網(wǎng)站內(nèi)容;
c. 宏觀上來(lái)講兩者IP都會(huì)變動(dòng);
d. 兩者多沒耐心的去破解你對(duì)網(wǎng)頁(yè)的一些加密(驗(yàn)證)，比如網(wǎng)頁(yè)內(nèi)容通過(guò)js文件加密，比如需要輸入驗(yàn)證碼才能瀏覽內(nèi)容，比如需要登錄才能訪問(wèn)內(nèi)容等。

不同點(diǎn)： 
       搜索引擎爬蟲先忽略整個(gè)網(wǎng)頁(yè)源碼腳本和樣式以及html標(biāo)簽代碼，然后對(duì)剩下的文字部分進(jìn)行切詞語(yǔ)法句法分析等一系列的復(fù)雜處理。而采集器一般是通過(guò) html標(biāo)簽特點(diǎn)來(lái)抓取需要的數(shù)據(jù)，在制作采集規(guī)則時(shí)需要填寫目標(biāo)內(nèi)容的開始標(biāo)志何結(jié)束標(biāo)志，這樣就定位了所需要的內(nèi)容;或者采用對(duì)特定網(wǎng)頁(yè)制作特定的正則表達(dá)式，來(lái)篩選出需要的內(nèi)容。無(wú)論是利用開始結(jié)束標(biāo)志還是正則表達(dá)式，都會(huì)涉及到html標(biāo)簽(網(wǎng)頁(yè)結(jié)構(gòu)分析)。

然后再來(lái)提出一些防采集方法
1、限制IP地址單位時(shí)間的訪問(wèn)次數(shù)
分析：沒有哪個(gè)常人一秒鐘內(nèi)能訪問(wèn)相同網(wǎng)站5次，除非是程序訪問(wèn)，而有這種喜好的，就剩下搜索引擎爬蟲和討厭的采集器了。

弊端：一刀切，這同樣會(huì)阻止搜索引擎對(duì)網(wǎng)站的收錄

適用網(wǎng)站：不太依靠搜索引擎的網(wǎng)站

采集器會(huì)怎么做：減少單位時(shí)間的訪問(wèn)次數(shù)，減低采集效率

2、屏蔽ip
分析：通過(guò)后臺(tái)計(jì)數(shù)器，記錄來(lái)訪者ip和訪問(wèn)頻率，人為分析來(lái)訪記錄，屏蔽可疑Ip。

弊端：似乎沒什么弊端，就是站長(zhǎng)忙了點(diǎn)

適用網(wǎng)站：所有網(wǎng)站，且站長(zhǎng)能夠知道哪些是google或者百度的機(jī)器人

采集器會(huì)怎么做：打游擊戰(zhàn)唄!利用ip代理采集一次換一次，不過(guò)會(huì)降低采集器的效率和網(wǎng)速(用代理嘛)。

3、利用js加密網(wǎng)頁(yè)內(nèi)容
Note:這個(gè)方法我沒接觸過(guò)，只是從別處看來(lái)
分析：不用分析了，搜索引擎爬蟲和采集器通殺

適用網(wǎng)站：極度討厭搜索引擎和采集器的網(wǎng)站

采集器會(huì)這么做：你那么牛，都豁出去了，他就不來(lái)采你了

4、網(wǎng)頁(yè)里隱藏網(wǎng)站版權(quán)或者一些隨機(jī)垃圾文字，這些文字風(fēng)格寫在css文件中
分析：雖然不能防止采集，但是會(huì)讓采集后的內(nèi)容充滿了你網(wǎng)站的版權(quán)說(shuō)明或者一些垃圾文字，因?yàn)橐话悴杉鞑粫?huì)同時(shí)采集你的css文件，那些文字沒了風(fēng)格，就顯示出來(lái)了。

適用網(wǎng)站：所有網(wǎng)站

采集器會(huì)怎么做：對(duì)于版權(quán)文字，好辦，替換掉。對(duì)于隨機(jī)的垃圾文字，沒辦法，勤快點(diǎn)了。

5、用戶登錄才能訪問(wèn)網(wǎng)站內(nèi)容
分析：搜索引擎爬蟲不會(huì)對(duì)每個(gè)這樣類型的網(wǎng)站設(shè)計(jì)登錄程序。聽說(shuō)采集器可以針對(duì)某個(gè)網(wǎng)站設(shè)計(jì)模擬用戶登錄提交表單行為。

適用網(wǎng)站：極度討厭搜索引擎，且想阻止大部分采集器的網(wǎng)站

采集器會(huì)怎么做：制作擬用戶登錄提交表單行為的模塊

6、利用腳本語(yǔ)言做分頁(yè)(隱藏分頁(yè))
分析：還是那句，搜索引擎爬蟲不會(huì)針對(duì)各種網(wǎng)站的隱藏分頁(yè)進(jìn)行分析，這影響搜索引擎對(duì)其收錄。但是，采集者在編寫采集規(guī)則時(shí)，要分析目標(biāo)網(wǎng)頁(yè)代碼，懂點(diǎn)腳本知識(shí)的人，就會(huì)知道分頁(yè)的真實(shí)鏈接地址。

適用網(wǎng)站：對(duì)搜索引擎依賴度不高的網(wǎng)站，還有，采集你的人不懂腳本知識(shí)

采集器會(huì)怎么做：應(yīng)該說(shuō)采集者會(huì)怎么做，他反正都要分析你的網(wǎng)頁(yè)代碼，順便分析你的分頁(yè)腳本，花不了多少額外時(shí)間。

最新評(píng)論