火车头采集网站经验,及如何防止被采集的技巧!
一、谈火车头采集器的由来
在泰和等地区,都构建了全面的区域性战略布局,加强发展的系统性、市场前瞻性、产品创新能力,以专注、极致的服务理念,为客户提供成都网站设计、成都做网站 网站设计制作按需定制设计,公司网站建设,企业网站建设,成都品牌网站建设,全网整合营销推广,成都外贸网站建设,泰和网站建设费用合理。
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。
创新互联
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
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 � 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~
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。
文章名称:火车头采集网站经验,及如何防止被采集的技巧!
链接分享:http://scyanting.com/article/dijhh.html