火车头作者谈网站的采集与防采集

一、谈火车头采集器的由来

火车头：我们的这个采集器最早是从05年底开始有这个想法的，当时也是和大家一样，个人站长，添加管理维护网站很辛苦，一篇篇修改复制发布最开始也是接触dede 然后发现他有个外部的c#采集器。不知道有多少人也记得，我的思路基本是从这个dedespider学来的，原来真的不懂什么，到后来学会php和.net,所以只要大家有兴趣，技术上的问题都可以克服，讲到现在的采集，其实采集只能替代站长部分手工的操作。我们不建议大规模得制造垃圾站(全盘得采集复制别人的站点)，所以我们现在的软件的功能越做越多，但新用户缺越来越不会用了。

我们现在有一批很忠实的会员，他们一直在靠采集器更新网站。迅速的采集然后百度搜录带来巨大的流量的时代已经不在，站长还是要关注内容，靠采集器采集的数据一样要注意，前期只能做为一个数据填充，可以稍微大的。但时间长了，目标就要把垃圾数据也要变成精品，否则做不长久

二、关于采集网站的经验

火车头：我们现在在更新这个采集器，在数据采集方面也积累了一些经验，增加更多功能以适应新形式下的采集

1.别人经常采的网站不要去采

2.太容易采的网站不要去采

3.不要一次性采集太多，一定要注意后期处理(后面详续)

4.做好关键词，tag的采集分析

5.自己网站要有自己的定位，不采与自己网站无关的内容

6.采集也要有持续性，经常更新，自动采集功能我们也有，但还是建议大家人工也参与一些审核，或定时，乱序发布

后期处理，要想法子做到让搜索引擎那看不出来两片文章的相同，这里面应该有很多SEO高手，那我不献丑了。我说下我们现在实现的功能，大家可以把这些混用，达到改变内容伪原创：

1.给标题。内容分词

2.使用同义词近义词替换，排除敏感词，不同的标签之间数据融合，指如标题内容之间数据的相互替换

3.给文章加上摘要

4.为文章标题等生成拼音地址

5.采集一些其他编码的网站，我们可以做到简繁体转化，可以采集中文网站翻译成英文(虽然比较垃圾，但应该可以算是原创)

我们也发现，高难度采集的网站一般内容质量都非常好，采集其实有时也是一件很有乐趣的事情，需要你学习一些采集相关的知识。

三、关于防采集的方法

火车头：下面讲一些主要的防采集方法。可以说是***对战吧。打开一个网页实际就是一个Http请求浏览器。百度蜘蛛，小到我们的采集器使用的都是一个原理，模拟http请求，所以我们同样能模拟出浏览器。百度蜘蛛出来所以绝对的防采集根本不存在，只是难度的高低。或者你认为搜索引擎的搜录也无所谓了。你可以用一些非常强大的activex,flash,全图片文字的形式，这个我们无能为力。

普通的防采集方法有

1、来源判断

2、登录信息判断 Cookie

3、请求次数判断。如一段时间内请求多少，非常规操作则封IP

4、发送方式判断 POST GET 使用JS，Ajax等请求内容

举例：

1.2不用说了，论坛，下载站等。。

3、一些大网站，需要配置服务器，单纯靠脚本判断资源消耗比较大

4、如一些招聘站，asp.net的分页，Web2.0站的ajax请求内容

当然我们后面还发现一些杀手锏，今天第一次在这里给大家公布出来~~ 有优质内容需要防采集的朋友可以考虑试下

1、网页默认deflate压缩输出(gzip容易一点，容易解压) 我们普通的浏览器和baidu支持识别gzip,deflate输出内容

2、网页内容不定时 \0 内容自动截断，这两点基本可以防主大部分主流软件采集及web采集程序了~

今天主要想要表达的一点，大家在做站时一定要注意技术的提高，比如我们里面有后期外部php及.net接口处理采集数据。或者干脆你自己做一个发布时的接口程序自己入库。我们伪原创做得再好，一样有非常多的会员使用，那样又不原创了，采集一样需要技术，只有你通过采集器获得了没有多少人有的数据，你才是唯一了。可能是我最为技术型人的一个通病，谢谢大家!

互动环节

问：您刚才提到对采集有屏蔽，那对搜索引擎呢

答：采集和百度爬虫是一模一样的原理还有浏览器也是一样的所以没有绝对的屏蔽，相反还会影响客户体验，你可以做一些不影响客户体验和搜索引擎搜录而提高采集难度的尝试

问：你刚才讲的是网页内容采集，有没有针对匹配关键词的指定字段的高速采集，比如采集所有带”IDC“的网页的邮箱和电话号码?用过一些，速度很慢，而且数据量明显太少。

答：我们不做这样批量的工具，其实比如做论坛发帖机之类的实现起来道理一样，也很容易，其实实现起来也是可以，只是有更多的一些人工操作，我们里面有正则匹配。。也就是你要的这种单一工具把这种正则都集成在里面了。而我们需要用户自己去写

问：采集的复杂度应该就在这吧?页面规则的不规则性和多变性?

答：在软件里面设置能够匹配多种模板的正则表达式，一样可以采集到多模板的网站，所谓“道高一尺，魔高一丈”。

问：火车头，能不能说一下怎么把phpcms的文章模块下的第一级栏目显示出来啊?

答：用的是 07 还是08版 07版有一个终极栏目的属性如果是，就不显示。

问：火车头，你觉得哪个CMS比较好用，你给大家推荐一个你最钟意的CMS系统吧。

答：我现在是对phpcms更熟悉一些。选择一个适合自己的就够了。研究透一个。

问：有个采集工具海纳号称不要编写采集规则，不知道有没有同学研究过，想请教其原理?

答：你说的这个是内容主体识别的范畴了。也做过，但只对一些新闻网站识别得比较好，这是一个自动匹配形式的工具，就像百度新闻一样，能自动匹配到正文数据。对大数据量的提取有好处。但精度相对低点点，因为人工不可控。

问：2008 版本能平滑升级到 2009吗?我是免费用户，呵呵。

答：软件升级:请运行程序目录下的updateto2009.exe进行升级.支持3.2sp5及2008版到2009版的升级，支持所有用户

问：请问伪原创的问题怎么处理呢?

答：我们伪原创做得再好，一样有非常多的会员使用，那样又不原创了，采集一样需要技术，只有你通过采集器获得了没有多少人有的数据，你才是唯一了。比如我们有同义词替换功能，这个词库就需要最好你自己去扩充一个属于自己的伪原创。使用同义词近义词替换，排除敏感词，不同的标签之间数据融合，指如标题内容之间数据的相互替换给标题。内容分词。为文章标题等生成拼音地址给文章加上摘要。采集一些其他编码的网站，我们可以做到简繁体转化，可以采集中文网站翻译成英文(虽然比较垃圾，但应该可以算是原创)网民，默认的我们能够自动识别网页的编码。但可能也会有出错的时候，这时候你需要在任务第四页手工定义一下，比如是gb2312还是utf8等等。

转载于:https://blog.51cto.com/kiddymeet/148133

火车头作者谈网站的采集与防采集相关推荐

(原创)VC++ 采集与防采集的较量
(原创)VC++ 采集与防采集的较量新买了部二手KINDLE,想用来看老夫子漫画,上网找了一下看到某网站有这个漫画之前自己写了个VC++ 做的采集浏览器,想到用来可以把网站的老夫子漫画爬下来自己做 ...
防采集 - 最看不起采集，一点技术含量都没有！
转自:http://www.programgo.com/article/80391554509/ 转自: http://blog.csdn.net/gjpdeyx/article/details/56 ...
防复制html,代码实现网站防复制，防采集
自己建好了网站,但是如果不做处理,自己网站上的内容很容易被别人复制到其它网站上,对于自己网站的SEO优化不利. 更有甚者,很多人采用采集软件疯狂的采集我们网站内容,不但窃取了我们网站的内容,而且还严重 ...
【建站系列教程】5、谈一谈网站的静态化
[建站系列教程]5.谈一谈网站的静态化[进阶] 动态页面?静态页面?伪静态页面? 三个页面有何优缺点? 为什么要让网页静态化如何网页伪静态化? 写在前面:大家好,我是热爱编程的小泽. [建站系列教程 ...
最常见6大防采集套路及解决方法，建议收藏！
什么是防采集? 用大白话来说,就是我们想利用工具采集某个网站的数据(前提当然是公开合法数据),但网站不想给你采集而设置的技术阻挡措施. 网站常见的防采集套路有哪些? 防采套路1:输入验证码框验证采集 ...
知乎ajax采集,胖鼠采集WordPress插件教程-WP自动采集和发布简书,微信公众号,知乎等任意网站...
WordPress本来是一个博客,但是由于功能强大.用户众多,发展到现在Wordpress已经成为了一个CMS平台了,甚至有一些企业建站都用了Wordpress,真的是无处不在.Wordpress用于 ...
浅谈汽车轮胎匹配视觉防错检测应用
前段时间都是分享到理论成果,今天看到一篇是结合车厂实际状况来进行的,可以从不同角度看看机器视觉在汽车行业中的应用. 1 前言工业 4.0 的核心是数据.随着智能装备和智能终端的普及以及各种传感器的 ...
天极副总裁李大学谈网站创新
天极副总裁李大学谈网站创新主持人:各位网友,大家好! <?XML:NAMESPACE PREFIX = O /> 主持人:各位网友大家上午好,TOM科技<总裁访谈>现在开始. ...
谈网站SEO的一些注意事项
谈网站SEO的一些注意事项百度对一些低质量,低体验站点的打击一些都没有停止过,虽然如此,垃圾页面依然是无孔不入,这不仅不利用用户的搜索体验,其实更危害的是网站自身.所以百度只是筛选不能根治,最根本的 ...

火车头作者谈网站的采集与防采集

火车头作者谈网站的采集与防采集相关推荐

最新文章

热门文章