采集网站内容(先来和百度的机器人采集器会怎么做？打游击战呗！)

　　采集网站内容(先来和百度的机器人采集器会怎么做？打游击战呗！)

　　在实现很多反采集的方法时，需要考虑是否会影响搜索引擎对网站的爬取，所以先分析一下一般的采集器和搜索引擎爬虫采集的区别。

　　相似点：a.两者都需要直接抓取网页的源代码才能有效工作，b.两者都会抓取单位时间内多次访问的大量网站内容； C。宏观上，两者IP都会发生变化； d.二是急着破解你的一些网页加密（验证），比如用js文件加密的网页内容，比如需要输入验证码才能浏览内容，比如需要登录才能访问内容等

　　不同点：搜索引擎爬虫首先忽略整个网页源代码脚本和样式以及html标签代码，然后对剩余的文本进行词法、句法分析等一系列复杂的处理。 采集器一般是利用html标签的特性来抓取需要的数据。创建采集规则时，需要填写目标内容的开始标记和结束标记，以便定位到需要的内容；或者使用特定的网页创建特定的正则表达式来过滤掉需要的内容。无论是开始结束标签的使用，还是正则表达式的使用，都会涉及到html标签（网页结构分析）。

　　那就来提出一些反采集的方法

　　1、限制IP地址单位时间内的访问次数

　　分析：普通人不可能一秒访问同一个网站5次，除非是程序访问。有了这个偏好，就只剩下搜索引擎爬虫和烦人的采集器了。

　　缺点：一刀切，这也会妨碍搜索引擎回复网站的收录

　　适用网站：不依赖搜索引擎的网站

　　采集器会做什么：减少单位时间内的访问次数，降低采集效率

　　2、shield ip

　　分析：通过后台计数器记录访问者的ip和频率，人工分析访问记录，屏蔽可疑IP。

　　缺点：貌似没有缺点，就是站长有点忙

　　适用网站：所有网站，站长可以知道哪些机器人是谷歌或百度

　　采集器 会做什么：打游击战！使用ip代理采集改一次，但是会降低采集器的效率和网速（使用代理）。

　　3、使用js加密网页内容

　　注：这个方法我没接触过，不过好像是从别处传来的

　　分析：不用分析，搜索引擎爬虫和采集器通杀

　　适用网站：我真的很讨厌搜索引擎和采集器的网站

　　采集器会这样：你太好了，你再好他也不会来接你了

　　4、Hide 网站copyright 或网页中的一些随机垃圾文本。这些文字样式写在css文件中

　　分析：采集虽然无法阻止，但是采集之后的内容会填充你的网站版权声明或者一些垃圾文字，因为一般采集器不会也采集你的css文件，显示的文本没有样式。

　　适用网站：所有网站

　　采集器 会做什么：对于受版权保护的文本，易于处理，替换它。对于随机的垃圾文本，没办法，抓紧。

　　5、用户登录可以访问网站content

　　分析：搜索引擎爬虫不会为每一种这样的网站设计登录程序。听说采集器可以为某个网站设计一个模拟用户登录和提交表单行为。

　　适用网站：我真的很讨厌搜索引擎，想屏蔽大部分采集器的网站

　　采集器 会做什么：为用户登录的行为制作一个模块并提交表单

　　6、使用脚本语言进行分页（隐藏分页）

　　分析：再次，搜索引擎爬虫不会分析各种网站隐藏页面，影响搜索引擎的收录。但是采集zhe在写采集规则的时候，一定要分析目标页面的代码，稍微懂脚本的人就会知道页面的真实链接地址。

　　适用网站：不高度依赖搜索引擎的网站，以及采集你的人不懂脚本知识

　　采集器会做什么：应该说采集器会做什么，反正他要分析你的网页代码，顺便分析你的分页脚本，不会多花时间。

　　7、防盗链措施（只允许通过本站页面查看，如：Request.ServerVariables("HTTP_REFERER")）

　　分析：ASP和PHP可以通过读取请求的HTTP_REFERER属性来判断请求是否来自网站，从而限制采集器，同时也限制了搜索引擎爬虫，严重影响了搜索引擎对网站的响应@部分反水蛭内容收录。

　　适用网站：我对网站搜索引擎收录没有太多想法