網(wǎng)站的反采集技術(shù)

前一段時間同幾個朋友聊起內(nèi)容采集的事情，因為我從未涉足這個領(lǐng)域，就自以為可以找到一個方法來反采集，經(jīng)過一段時間的研究，似乎是有辦法做到的，不是說完全阻止采集，而是讓采集的成本變高，或者讓采集后的內(nèi)容無法使用，或者說采集后的內(nèi)容要花很多人工來分析，過濾。

下面的方法，轉(zhuǎn)自別人的文章，作者：翟振愷(小琦)，我摘錄了反采集的部分內(nèi)容。

一、分頁文件名規(guī)則防采集對策

大部分采集器都是靠分析分頁文件名規(guī)則，進行批量、多頁采集的。如果別人找不出你的分頁文件的文件名規(guī)則，那么別人就無法對你的網(wǎng)站進行批量多頁采集。
實現(xiàn)方法：
我認為用MD5加密分頁文件名是一個比較好的方法，說到這里，有人會說，你用MD5加密分頁文件名，別人根據(jù)此規(guī)則也可以模擬你的加密規(guī)則得到你的分頁文件名。

我要指出的是我們加密分頁文件名時，不要只加密文件名變化的部分
如果I代表分頁的頁碼，那么我們不要這樣加密
page_name=Md5(I,16)&".htm"

最好給要加密的頁碼上再跟進一個或多個字符，如：page_name=Md5(I&"任意一個或幾個字母",16)&".htm"

因為MD5是無法反解密的，別人看到的會頁字母是MD5加密后的結(jié)果，所以加人也無法知道你在 I 后面跟進的字母是什么，除非他用暴力破解MD5，不過不太現(xiàn)實。

二、頁面代碼規(guī)則防采集對策

如果說我們的內(nèi)容頁面無代碼規(guī)則，那么別人就無法從你的代碼中提取他們所需要的一條條內(nèi)容。
所以我們要的這一步做到防采集，就要使代碼無規(guī)則。
實現(xiàn)方法：
使對方需要提取的標記隨機化
1、定制多個網(wǎng)頁模板，每個網(wǎng)頁模板里的重要HTML標記不同，呈現(xiàn)頁面內(nèi)容時，隨機選取網(wǎng)頁模板，有的頁面用CSS+DIV布局，有的頁面用table 布局，此方法是麻煩了點，一個內(nèi)容頁面，要多做幾個模板頁面，不過防采集本身就是一件很煩瑣的事情，多做一個模板，能起到防采集的作用，對很多人來說，都是值得的。
2、如果嫌上面的方法太麻煩，把網(wǎng)頁里的重要HTML標記隨機化，也可以。

做的網(wǎng)頁模板越多，html代碼越是隨機化，對方分析起內(nèi)容代碼時，就越麻煩，對方針對你的網(wǎng)站專門寫采集策略時，難度就更大，在這個時候，絕大部分人，都會知難而退，因為這批人就是因為懶，才會采集別人網(wǎng)站數(shù)據(jù)嘛再說一下，目前大部分人都是拿別人開發(fā)的采集程序去采集數(shù)據(jù)，自己開發(fā)采集程序去采集數(shù)據(jù)的人畢竟是少數(shù)。
（采集程序一般是通用的，只有有限的幾個參數(shù)可以設(shè)定）

還有些簡單的思路提供給大家：
1、把對數(shù)據(jù)采集者重要，而對搜索引擎不重要的內(nèi)容用客戶端腳本顯示
2、把一頁數(shù)據(jù)，分為N個頁面顯示，也是加大采集難度的方法
3、用更深層的連接，因為目前大部分采集程序只能采集到網(wǎng)站內(nèi)容的前3層，如果內(nèi)容所在的連接層更深，也可以避免被采集。不過這樣可能會給客戶造成瀏覽上的不便。
如：
大多網(wǎng)站都是 首頁----內(nèi)容索引分頁----內(nèi)容頁
如果改成：
首頁----內(nèi)容索引分頁----內(nèi)容頁入口----內(nèi)容頁
注：內(nèi)容頁入口最好能加上自動轉(zhuǎn)入內(nèi)容頁的代碼

其實，只要做好防采集的第一步(加密分頁文件名規(guī)則)，防采集的效果就已經(jīng)不錯了，還是建議兩條反采集方法同時使用，給采集者增加采集難度，使得他們知難頁而退。 

最新評論