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。