航空论坛_航空翻译_民航英语翻译_飞行翻译
标题:
火车头作者谈网站的采集与防采集
[打印本页]
作者:
航空
时间:
2010-5-23 10:21:25
标题:
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。
& i5 t( y8 D; v K7 w# Q
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
+ B8 `1 |5 Q+ U2 \
二、关于采集网站的经验
# |+ [/ ], r" Y* S# F7 p+ z
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
* k: W2 o) \+ ` l
1.别人经常采的网站不要去采
, f4 ^) s- O3 K; f$ l- W' u
2.太容易采的网站不要去采
. \) d. D( j( I9 U/ w
3.不要一次性采集太多，一定要注意后期处理(后面详续)
, M8 w2 P$ o# `% O! _
4.做好关键词，tag的采集分析
( w% w$ Q7 ~! H% o
5.自己网站要有自己的定位，不采与自己网站无关的内容
3 ]3 q8 g# P$ }' ?
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
- e6 `1 x( s- c" `$ Z! J/ _. D! z
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：
) ~5 l o X* ?) x- f8 X( x
1.给标题。内容分词
- Q6 b2 U) f* M4 W# N3 B
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
* {' D% X4 F' E- f
3.给文章加上摘要
3 _. D3 s3 n) g7 E( q
4.为文章标题等生成拼音地址
+ Q) G; F2 n! P( ^
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)
2 }; E& u. p( f8 |' m+ e
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。
: {0 W9 O7 N0 N1 G
三、关于防采集的方法
. j6 Z* U8 z$ ]* _( h
火车头：下面讲一些主要的防采集方法。可以说是攻防对战吧。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。
2 `8 W& C$ B/ C9 @ L
普通的防采集方法有
3 l, a0 ]- G) o U# ^5 z
1、来源判断
+ v# D" w I) k* M( c) {3 ^# Z
2、登录信息判断 Cookie
3 _/ ?. c4 y3 Z! c5 J
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
+ a) Q& F( B6 q4 q, b) b0 r+ q
4、发送方式判断 POST GET 使用JS，Ajax等请求内容
/ u2 `* ]- y, _8 m& k) h) u8 q4 A
举例：
* n* }% z; j/ N/ ~
1.2不用说了，论坛，下载站等。。
! z% C, N' x$ W; r1 F; [2 s
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
. _6 K1 v( l8 n8 y0 a0 s1 N
4、如一些招聘站，asp.net的分页，Web2.0站的ajax请求内容
- a3 ~4 r7 F2 o: q: ?
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
" v1 S8 A2 _. U' K' A
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
, N: K; N; A0 `$ L
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~
1 Q5 @+ c7 s/ j# A5 B( I
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!
1 v% J7 Z8 n2 j
互动环节
( t( e. m; A5 _
问：您刚才提到对采集有屏蔽，那对搜索引擎呢
& n4 w5 u6 a5 o% X* n
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
$ O5 @3 a# H2 T. l
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。
4 l! c% R* x/ o- \
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
' q7 [/ V; T& d2 g
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?
+ T. C( K. s6 d
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”。
# a' t- @2 x" x, f. ~
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?
. U; V& d4 }# b% Q7 x; r7 F+ i- m
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。
. D% `+ X* r) F3 g7 Y. p
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。
4 M7 ^' B3 c& _
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。
& M. K: H! c' D( [5 C$ H5 G3 h
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?
1 ]( K& N9 f% W* f! C9 u
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。
1 V* S9 n* T }7 u7 d2 p$ n- M0 {8 K
问：2008 版本能平滑升级到 2009吗?我是免费用户，呵呵。
2 _- M3 W1 g3 _& S
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
$ q3 l8 ~% ^9 m$ K
问：请问伪原创的问题怎么处理呢?
) z2 y6 I. N; T/ @1 {$ y9 Y
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。
% a* `. F; K, a9 w) d; x% X0 m
3 L% N" Z9 l' J
欢迎光临 航空论坛_航空翻译_民航英语翻译_飞行翻译 (http://bbs.aero.cn/)
Powered by Discuz! X2