非常好的网站生成静态页面防采集策略与方法

目前防采集的方法有很多种，先介绍一下常见防采集策略方法和它的弊端及采集对策： 
一、判断一个IP在一定时间内对本站页面的访问次数，如果明显超过了正常人浏览速度，就拒绝此IP访问 

弊端： 
1、此方法只适用于动态页面，如：asp\jsp\php等...静态页面无法判断某个IP一定时间访问本站页面的次数。 
2、此方法会严重影响搜索引擎蜘蛛对其收录，因为搜索引擎蜘蛛收录时，浏览速度都会比较快而且是多线程。此方法也会拒绝搜索引擎蜘蛛收录站内文件 
采集对策：只能放慢采集速度，或者不采 
建议：做个搜索引擎蜘蛛的IP库，只允许搜索引擎蜘蛛快速浏览站内内容。搜索引擎蜘蛛的IP库的收集，也不太容易，一个搜索引擎蜘蛛，也不一定只有一个固定的IP地址。 
评论：此方法对防采集比较有效，但却会影响搜索引擎对其收录。 

二、用javascript加密内容页面 

弊端：此方法适用于静态页面，但会严重影响搜索引擎对其收录情况，搜索引擎收到到的内容，也都是加密后的内容 
采集对策：建议不采，如非要采，就把解密码的JS脚本也采下来。 
建议：目前没有好的改良建议 
评论：建议指望搜索引擎带流量的站长不要使用此方法。 

三、把内容页面里的特定标记替换为”特定标记+隐藏版权文字“ 

弊端：此方法弊端不大，仅仅会增加一点点的页面文件大小，但容易反采集 
采集对策：把采集来的含有隐藏版权文字内容的版权文字替掉，或替换成自己的版权。 
建议：目前没有好的改良建议 
评论：自己感觉实用价值不大，就算是加上随机的隐藏文字，也等于画蛇添足。 

四、只允许用户登陆后才可以浏览 

弊端：此方法会严重影响搜索引擎蜘蛛对其收录 
采集对策：目前落伍已经有人发了对策文章 ，具体对策就看这个吧《ASP小偷程序如何利用xmlHTTP实现表单的提交以及cookies或session的发送》 
建议：目前没有好的改良建议 
评论：建议指望搜索引擎带流量的站长不要使用此方法。不过此方法防一般的采集程序，还是有点效果的。 

五、用javascript、vbscript脚本做分页 

弊端：影响搜索引擎对其收录 
采集对策：分析javascript、vbscript脚本，找出其分页规则，自己做个对应此站的分页集合页即可。 
建议：目前没有好的改良建议 
评论：感觉懂点脚本语言的人都能找出其分页规则 

六、只允许通过本站页面连接查看，如：Request.ServerVariables("HTTP_REFERER") 

弊端：影响搜索引擎对其收录 
采集对策：不知道能不能模拟网页来源。。。。目前我没有对应此方法的采集对策 
建议：目前没有好的改良建议 
评论：建议指望搜索引擎带流量的站长不要使用此方法。不过此方法防一般的采集程序，还是有点效果的。 

从以上可以看出，目前常用的防采集方法，要么会对搜索引擎收录有较大影响，要么防采集效果不好，起不到防采集的效果。那么，还有没有一种有效防采集，而又不影响搜索引擎收录的方法呢？那就请继续往下看吧！ 
从前面的我讲的采集原理大家可以看出，绝大多数采集程序都是靠分析规则来进行采集的，如分析分页文件名规则、分析页面代码规则。 
一、分页文件名规则防采集对策 
大部分采集器都是靠分析分页文件名规则，进行批量、多页采集的。如果别人找不出你的分页文件的文件名规则，那么别人就无法对你的网站进行批量多页采集。 
实现方法： 
我认为用MD5加密分页文件名是一个比较好的方法，说到这里，有人会说，你用MD5加密分页文件名，别人根据此规则也可以模拟你的加密规则得到你的分页文件名。 
我要指出的是我们加密分页文件名时，不要只加密文件名变化的部分 
如果I代表分页的页码，那么我们不要这样加密：page_name=Md5(I,16)&".htm" 
最好给要加密的页码上再跟进一个或多个字符，如：page_name=Md5(I&"任意一个或几个字母",16)&".htm" 
因为MD5是无法反解密的，别人看到的会页字母是MD5加密后的结果，所以加人也无法知道你在 I 后面跟进的字母是什么，除非他用暴力****MD5，不过不太现实。 
二、页面代码规则防采集对策 
如果说我们的内容页面无代码规则，那么别人就无法从你的代码中提取他们所需要的一条条内容。所以我们要的这一步做到防采集，就要使代码无规则。 
实现方法： 
使对方需要提取的标记随机化 
1、定制多个网页模板，每个网页模板里的重要HTML标记不同，呈现页面内容时，随机选取网页模板，有的页面用CSS+DIV布局，有的页面用table布局，此方法是麻烦了点，一个内容页面，要多做几个模板页面，不过防采集本身就是一件很烦琐的事情，多做一个模板，能起到防采集的作用，对很多人来说，都是值得的。 
2、如果嫌上面的方法太麻烦，把网页里的重要HTML标记随机化，也可以。 
做的网页模板越多，html代码越是随机化，对方分析起内容代码时，就越麻烦，对方针对你的网站专门写采集策略时，难度就更大，在这个时候，绝大部分人，都会知难而退，因为这此人就是因为懒，才会采集别人网站数据嘛~~~再说一下，目前大部分人都是拿别人开发的采集程序去采集数据，自己开发采集程序去采集数据的人毕竟是少数。 
还有些简单的思路提供给大家： 
1、把对数据采集者重要，而对搜索引擎不重要的内容用客户端脚本显示 
2、把一页数据，分为N个页面显示，也是加大采集难度的方法 
3、用更深层的连接，因为目前大部分采集程序只能采集到网站内容的前3层，如果内容所在的连接层更深，也可以避免被采集。不过这样可能会给客户造成浏览上的不便。如： 
大多网站都是 首页----内容索引分页----内容页 
如果改成： 
首页----内容索引分页----内容页入口----内容页 
注：内容页入口最好能加上自动转入内容页的代码 

<meta http-equiv="refresh" content="6;url=内容页(http://www.oureve.net)"> 
其实，只要做好防采集的第一步(加密分页文件名规则)，防采集的效果就已经不错了，还是建议两条反采集方法同时使用，给采集者增加采集难度，使得他们知难页退。