相同點：
a. 兩者都需要直接抓取到網(wǎng)頁源碼才能有效工作，
b. 兩者單位時間內(nèi)會多次大量抓取被訪問的網(wǎng)站內(nèi)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(wǎng)頁的一些加密(驗證)，比如網(wǎng)頁內(nèi)容通過js文件加密，比如需要輸入驗證碼才能瀏覽內(nèi)容，比如需要登錄才能訪問內(nèi)容等。

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

然后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(shù)
分析：沒有哪個常人一秒鐘內(nèi)能訪問相同網(wǎng)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(wǎng)站的收錄

適用網(wǎng)站：不太依靠搜索引擎的網(wǎng)站

采集器會怎么做：減少單位時間的訪問次數(shù)，減低采集效率

2、屏蔽ip
分析：通過后臺計數(shù)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：似乎沒什么弊端，就是站長忙了點

適用網(wǎng)站：所有網(wǎng)站，且站長能夠知道哪些是google或者百度的機器人

采集器會怎么做：打游擊戰(zhàn)唄!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(wǎng)速(用代理嘛)。

3、利用js加密網(wǎng)頁內(nèi)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(wǎng)站：極度討厭搜索引擎和采集器的網(wǎng)站

采集器會這么做：你那么牛，都豁出去了，他就不來采你了

4、網(wǎng)頁里隱藏網(wǎng)站版權(quán)或者一些隨機垃圾文字，這些文字風(fēng)格寫在css文件中
分析：雖然不能防止采集，但是會讓采集后的內(nèi)容充滿了你網(wǎng)站的版權(quán)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(fēng)格，就顯示出來了。

適用網(wǎng)站：所有網(wǎng)站

采集器會怎么做：對于版權(quán)文字，好辦，替換掉。對于隨機的垃圾文字，沒辦法，勤快點了。

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

適用網(wǎng)站：極度討厭搜索引擎，且想阻止大部分采集器的網(wǎng)站

采集器會怎么做：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(wǎng)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(guī)則時，要分析目標(biāo)網(wǎng)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(wǎng)站：對搜索引擎依賴度不高的網(wǎng)站，還有，采集你的人不懂腳本知識

采集器會怎么做：應(yīng)該說采集者會怎么做，他反正都要分析你的網(wǎng)頁代碼，順便分析你的分頁腳本，花不了多少額外時間。

最新評論