火车头作者谈网站的采集与防采集

航空

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。
, {8 R9 |; H1 ^( P　　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
' `* y$ c1 D: Z1 p: ~% @　　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
# G2 e5 Z4 O- y8 R; W" f8 M( x　　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
. R+ E( q: i1 W% z  F- W　　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
9 O7 J0 r( X6 C　　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：
. z% i$ }9 K7 }+ a/ \　　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
, f, g0 I, l% v. R( L0 x　　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)
( \) {# j* `: X# t& f( Q　　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。
# P8 E6 _0 V% Y7 Z　　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。
　　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
7 \2 x* x& h4 [2 I& x- z　　4、发送方式判断 POST GET 使用JS，Ajax等请求内容
, ~; ]" \3 ~2 K/ J. [8 T1 b　　举例：
　　1.2不用说了，论坛，下载站等。。
; ?. I, T0 J! l0 ]! j9 R/ ?! e　　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
, _; |) X; a7 V1 I( m) F　　4、如一些招聘站，asp.net的分页，Web2.0站的ajax请求内容
% W0 v+ k6 ~9 F# X8 U8 ^! R5 H　　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
$ A( t. N( g; k  p0 s5 H　　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!
9 s% z4 b- [* ?4 Z# a　　互动环节
3 x) H3 o  g  j7 V0 v- C　　问：您刚才提到对采集有屏蔽，那对搜索引擎呢
$ V$ V6 g+ Z4 ^/ c! l  P/ H　　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?
+ Q: `: n6 m6 F7 ~　　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”。
( R: ^3 C( {* c5 c( |$ c0 P3 Z　　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?
( i; B' V! `( g% ~% K! ~6 `4 j& @2 \- P　　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。
1 }: ^6 p' d/ |' B9 b　　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?
0 q$ @" _/ T. d; H- z4 E　　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。
, E7 c  `' R: i. L　　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
3 B( ^- s. g( O% L. y: w　　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。