采集就是使用程序通過自動化操作復(fù)制數(shù)據(jù)。

首先說明，只要是能讓瀏覽器訪問的，就沒有不能采集的。

但是可以通過一定的手段讓采集變得非常麻煩，進而在大量數(shù)據(jù)的情況下延遲采集完成時間，加大采集難度。

一般的情況略過不說，幾種情況比較特別的：

1、驗證來路，cookie，session這些，比如PHP可以用fsockopen自定義HTTPHeader，基本上這些方法沒什么效果。

2、限速，限制某段時間內(nèi)打開頁面數(shù)量。這個只是推遲了下，大部分時間效果一般。比如某站限制一分鐘之內(nèi)只能打開30個網(wǎng)頁，頁面大小平均30K，則用迅雷批量下載就OK了，設(shè)置限速為2K，一覺醒來什么都好了。這個方法效果也基本沒有。

3、比較特別的方法，設(shè)置一個數(shù)量級的閥值，達到這樣數(shù)量后，必須驗證方能繼續(xù)，比如打開10個頁面需要輸入驗證碼，這個時候只需要保證驗證碼不可識別，分配一個session，以后的瀏覽過程中用session保證用戶合法性，這樣不影響后續(xù)訪問，同時可以有效防止采集。

4、第三條對蜘蛛是致命的，此時可通過手機蜘蛛IP段，放行，其它的按照嚴格規(guī)則來。

5、3+4真是無敵的嗎?遠非可以高枕無憂，比如此站有10萬個頁面，則設(shè)置100個代理，在閥值前循環(huán)使用代理，這樣實際上繞過了3的限制。

6、還有別的辦法嗎?不能，因為你的網(wǎng)站能用瀏覽器打開。

• 上一篇：關(guān)于關(guān)鍵詞的去重的一些東西
• 下一篇：怎樣才能提高網(wǎng)站權(quán)重