程序師世界是廣大編程愛好者互助、分享、學習的平台,程序師世界有你更精彩!
首頁
編程語言
C語言|JAVA編程
Python編程
網頁編程
ASP編程|PHP編程
JSP編程
數據庫知識
MYSQL數據庫|SqlServer數據庫
Oracle數據庫|DB2數據庫
 程式師世界 >> 編程語言 >> 網頁編程 >> ASP編程 >> 關於ASP編程 >> 防止網站被采集的理論分析以及十條方法對策第1/2頁

防止網站被采集的理論分析以及十條方法對策第1/2頁

編輯:關於ASP編程
相同點:
a. 兩者都需要直接抓取到網頁源碼才能有效工作,
b. 兩者單位時間內會多次大量抓取被訪問的網站內容;
c. 宏觀上來講兩者IP都會變動;
d. 兩者多沒耐心的去破解你對網頁的一些加密(驗證),比如網頁內容通過js文件加密,比如需要輸入驗證碼才能浏覽內容,比如需要登錄才能訪問內容等。

不同點: 
       搜索引擎爬蟲先忽略整個網頁源碼腳本和樣式以及html標簽代碼,然後對剩下的文字部分進行切詞語法句法分析等一系列的復雜處理。而采集器一般是通過 html標簽特點來抓取需要的數據,在制作采集規則時需要填寫目標內容的開始標志何結束標志,這樣就定位了所需要的內容;或者采用對特定網頁制作特定的正則表達式,來篩選出需要的內容。無論是利用開始結束標志還是正則表達式,都會涉及到html標簽(網頁結構分析)。

然後再來提出一些防采集方法
1、限制IP地址單位時間的訪問次數
分析:沒有哪個常人一秒鐘內能訪問相同網站5次,除非是程序訪問,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,這同樣會阻止搜索引擎對網站的收錄

適用網站:不太依靠搜索引擎的網站

采集器會怎麼做:減少單位時間的訪問次數,減低采集效率

2、屏蔽ip
分析:通過後台計數器,記錄來訪者ip和訪問頻率,人為分析來訪記錄,屏蔽可疑Ip。

弊端:似乎沒什麼弊端,就是站長忙了點

適用網站:所有網站,且站長能夠知道哪些是google或者百度的機器人

采集器會怎麼做:打游擊戰呗!利用ip代理采集一次換一次,不過會降低采集器的效率和網速(用代理嘛)。

3、利用js加密網頁內容
Note:這個方法我沒接觸過,只是從別處看來
分析:不用分析了,搜索引擎爬蟲和采集器通殺

適用網站:極度討厭搜索引擎和采集器的網站

采集器會這麼做:你那麼牛,都豁出去了,他就不來采你了

4、網頁裡隱藏網站版權或者一些隨機垃圾文字,這些文字風格寫在css文件中
分析:雖然不能防止采集,但是會讓采集後的內容充滿了你網站的版權說明或者一些垃圾文字,因為一般采集器不會同時采集你的css文件,那些文字沒了風格,就顯示出來了。

適用網站:所有網站

采集器會怎麼做:對於版權文字,好辦,替換掉。對於隨機的垃圾文字,沒辦法,勤快點了。

5、用戶登錄才能訪問網站內容
分析:搜索引擎爬蟲不會對每個這樣類型的網站設計登錄程序。聽說采集器可以針對某個網站設計模擬用戶登錄提交表單行為。

適用網站:極度討厭搜索引擎,且想阻止大部分采集器的網站

采集器會怎麼做:制作擬用戶登錄提交表單行為的模塊

6、利用腳本語言做分頁(隱藏分頁)
分析:還是那句,搜索引擎爬蟲不會針對各種網站的隱藏分頁進行分析,這影響搜索引擎對其收錄。但是,采集者在編寫采集規則時,要分析目標網頁代碼,懂點腳本知識的人,就會知道分頁的真實鏈接地址。

適用網站:對搜索引擎依賴度不高的網站,還有,采集你的人不懂腳本知識

采集器會怎麼做:應該說采集者會怎麼做,他反正都要分析你的網頁代碼,順便分析你的分頁腳本,花不了多少額外時間。
當前1/2頁 12下一頁閱讀全文
  1. 上一頁:
  2. 下一頁:
Copyright © 程式師世界 All Rights Reserved