亚洲乱码国产乱码精品精可以看,一本色道久久综合亚洲二区三区,国内av一区二区三区

主頁 > 知識庫 > 網(wǎng)站生成靜態(tài)頁面，及網(wǎng)站數(shù)據(jù)采集的攻、防原理和策略

網(wǎng)站生成靜態(tài)頁面，及網(wǎng)站數(shù)據(jù)采集的攻、防原理和策略

發(fā)布時間：2005年11月27日晚
文章作者：翟振凱 (小琦)
交流方式：
個人站：http://www.xiaoqi.net
技術(shù)站：http://www.iisvs.net
商業(yè)站：http://www.iisvs.com
QQ：53353866 22336848
關(guān)于本文：
        本著互聯(lián)網(wǎng)共享主義精神，特寫此文獻給建站新手，授人以魚，不如授人以漁，本文所講的只是方法和原理，希
望大家看完此文，能夠從中得到些幫助和啟發(fā)。

        本文從一個ASP程序員的角度用大量實例祥細介紹了動態(tài)網(wǎng)站如何生成靜態(tài)頁面原理，又從一個采集程序開發(fā)者
的角度去祥細介紹了網(wǎng)站數(shù)據(jù)采集的原理及功防策略。

        關(guān)于網(wǎng)站生成靜態(tài)頁面，為了讓本文讀者容易理解，文內(nèi)列舉了目前常用的多種生成靜態(tài)頁面的方法，其中用了
很多的實例代碼進行說明。

        關(guān)于網(wǎng)站數(shù)據(jù)采集攻防，作者本身是一個采集程序的開發(fā)者，同時作者也收集研究了多種采集程序，列舉了目前
國內(nèi)比較流行的幾種防采集策略，并對每種策略作了簡單客觀的分析評價，希望能給廣大站長們提供一些幫助。此章節(jié)也
把作者原創(chuàng)的防采集方法奉獻給大家，目地是為了讓大家了解，防采集，不防搜索引擎，是可行的，有效的。

聲明：希望各位朋友轉(zhuǎn)載時，不要把原有作者版權(quán)去掉，謝謝合作。
         由于本人寫作水平有限，寫的不好的地方，還請大家多多包涵，如要批評或意見，請加我QQ。
目前很多人都開始注重動態(tài)頁面生成HTML頁了，但選擇哪種生成HTML的方法和防采集卻不防搜索引擎的問題卻經(jīng)常困擾大
家。解決此問題則是本文產(chǎn)生的原因。

首先祥細說一下常用的幾種生成HTML的方法：

生成HTML方法主要步驟只有兩個：
一、獲取要生成的html文件的內(nèi)容
二、將獲取的html文件內(nèi)容保存為html文件

我在這里主要說明的只是第一步：如何獲取要生成的html文件的內(nèi)容：
目前常用獲取html文件的內(nèi)容的方法有幾下幾種：
1、

str="html標記>內(nèi)容/html標記>"
str=str"html標記>內(nèi)容/html標記>html標記>數(shù)據(jù)庫讀取內(nèi)容..../html標記>....."
這種方法與是在腳本內(nèi)寫要生成的html內(nèi)容，不太方便預(yù)覽生成頁面的內(nèi)容，無法可視化布局頁面，更改html模板時會更
加復(fù)雜。
用這種方法的人很多，但我感覺這種方法是最不方便的。

2、
制作單獨的HTML模板頁，動態(tài)的內(nèi)容用特定的字符作為標記(如：有人用$title$標記為網(wǎng)頁標題)，用ADODB.Stream或者
Scripting.FileSystemObject將其模板內(nèi)容載入，然后再用替換方法把原先定好的標記替換為動態(tài)內(nèi)容(如：Replace(載
入的模板內(nèi)容,"$title$",rs("title" ) ) )。

3、
用XMLHTTP或serverXMLHTTP獲取動態(tài)頁所顯示的HTML內(nèi)容，

我常用的生成html文件的實例：
'-----------------翟振愷(小琦)
'weburl是要獲取的動態(tài)頁地址
'getHTTPPage(weburl)是獲取動態(tài)頁內(nèi)容的函數(shù)
weburl="http://"Request.ServerVariables("SERVER_NAME")"/contact.asp?id="rs("id")""‘指定動態(tài)頁地址
body=getHTTPPage(weburl)'用函數(shù)取到動態(tài)頁地址的內(nèi)容
'-----------------翟振愷(小琦)
此方法最大的好處就是不用費力氣專門去寫靜態(tài)的模板頁面，只是將原來就有的動態(tài)頁面轉(zhuǎn)換為HTML靜態(tài)頁面，但生成速
度不是太快。

我常用的生成HTML的方法就是第3種：用XMLHTTP獲取動態(tài)頁生成的HTML內(nèi)容，再用ADODB.Stream或者
Scripting.FileSystemObject保存成html文件。

第二步是生成文件的方法：
ASP里常用的有用ADODB.Stream生成文件和Scripting.FileSystemObject生成文件兩種
1、

Scripting.FileSystemObject生成文件方法：

'-----------------翟振愷(小琦)
Set fso = CreateObject("Scripting.FileSystemObject")
File=Server.MapPath("要生成文件路徑和文件名.htm")
Set txt=fso.OpenTextFile(File,8,True)
data1="文件內(nèi)容"用WriteLine方法生成文件
txt.WriteLine data1
data2="文件內(nèi)容"'用Write方法生成文件
txt.Write data2
txt.Close
txt.fso
'-----------------翟振愷(小琦)
2、

ADODB.Stream生成文件方法：

'-----------------翟振愷(小琦)
Dim objAdoStream
set objAdoStream = Server.createObject("ADODB.Stream")
objAdoStream.Type = 1
objAdoStream.Open()
objAdoStream.Write("文件內(nèi)容")
objAdoStream.SaveToFile 要生成文件路徑和文件名.htm,2
objAdoStream.Close()
'-----------------翟振愷(小琦)
再說一下我對HTML防采集卻不防搜索引擎蜘蛛的一些經(jīng)驗：

我開發(fā)過幾個采集程序，也研究過很多采集程序代碼，所以對采集程序的原理還算是稍微有些了解。
先說一下采集原理：

采集程序的主要步驟如下：

一、獲取被采集的頁面的內(nèi)容
二、從獲取代碼中提取所有用的數(shù)據(jù)

一、獲取被采集的頁面的內(nèi)容

我目前所掌握的ASP常用獲取被采集的頁面的內(nèi)容方法：

1、用serverXMLHTTP組件獲取數(shù)據(jù)

Function GetBody(weburl)
'-----------------翟振愷(小琦)
    '創(chuàng)建對象
    Dim ObjXMLHTTP
    Set ObjXMLHTTP=Server.CreateObject("MSXML2.serverXMLHTTP")
    '請求文件,以異步形式
    ObjXMLHTTP.Open "GET",weburl,False
    ObjXMLHTTP.send
    While ObjXMLHTTP.readyState > 4
        ObjXMLHTTP.waitForResponse 1000
    Wend
    '得到結(jié)果
     GetBody=ObjXMLHTTP.responseBody
    '釋放對象
     Set ObjXMLHTTP=Nothing
'-----------------翟振愷(小琦)
End Function
調(diào)用方法：
GetBody(文件的URLf地址)
2、或XMLHTTP組件獲取數(shù)據(jù)

Function GetBody(weburl)
'-----------------翟振愷(小琦)
    '創(chuàng)建對象
    Set Retrieval = CreateObject("Microsoft.XMLHTTP")
    With Retrieval
     .Open "Get", weburl, False, "", ""
     .Send
     GetBody = .ResponseBody
     End With
    '釋放對象
    Set Retrieval = Nothing
'-----------------翟振愷(小琦)
End Function
調(diào)用方法：
GetBody(文件的URLf地址)
這樣獲取的數(shù)據(jù)內(nèi)容還需要進行編碼轉(zhuǎn)換才可以使用

Function BytesToBstr(body,Cset)
'-----------------翟振愷(小琦)
        dim objstream
        set objstream = Server.CreateObject("adodb.stream")
        objstream.Type = 1
        objstream.Mode =3
        objstream.Open
        objstream.Write body
        objstream.Position = 0
        objstream.Type = 2
        objstream.Charset = Cset
        BytesToBstr = objstream.ReadText
        objstream.Close
        set objstream = nothing
'-----------------翟振愷(小琦)
End Function

調(diào)用方法：BytesToBstr(要轉(zhuǎn)換的數(shù)據(jù),編碼)'編碼常用為GB2312和UTF-8
二、從獲取代碼中提取所有用的數(shù)據(jù)
目前我掌握的方法有：
1、用ASP內(nèi)置的MID函數(shù)截取需要的數(shù)據(jù)

Function body(wstr,start,over)
'-----------------翟振愷(小琦)
start=Newstring(wstr,start)
'設(shè)置需要處理的數(shù)據(jù)的唯一的開始標記
over=Newstring(wstr,over)
'和start相對應(yīng)的就是需要處理的數(shù)據(jù)的唯一的結(jié)束標記
body=mid(wstr,start,over-start)
'設(shè)置顯示頁面的范圍
'-----------------翟振愷(小琦)
End Function
調(diào)用方法：body(被采集的頁面的內(nèi)容,開始標記,結(jié)束標記)
2、用正則獲取需要的數(shù)據(jù)

Function body(wstr,start,over)
'-----------------翟振愷(小琦)
Set xiaoqi = New Regexp'設(shè)置配置對象
xiaoqi.IgnoreCase = True'忽略大小寫
xiaoqi.Global = True'設(shè)置為全文搜索
xiaoqi.Pattern =  "”start“.+?”over“"'正則表達式
Set Matches =xiaoqi.Execute(wstr)'開始執(zhí)行配置
set  xiaoqi=nothing
body=""
For Each Match in Matches
body=bodyMatch.Value '循環(huán)匹配
Next
'-----------------翟振愷(小琦)
End Function
調(diào)用方法：body(被采集的頁面的內(nèi)容,開始標記,結(jié)束標記)
采集程序祥細思路：
1、取得網(wǎng)站的分頁列表頁的每頁地址
目前絕大部分動態(tài)網(wǎng)站的分頁地址都有規(guī)則，如:
動態(tài)頁
第一頁：index.asp?page=1
第二頁：index.asp?page=2
第三頁：index.asp?page=3
.....

靜態(tài)頁
第一頁：page_1.htm
第二頁：page_2.htm
第三頁：page_3.htm
.....
取得網(wǎng)站的分頁列表頁的每頁地址，只需要用變量替代每頁地址的變化的字符即可如：page_%="page"%>.htm

2、獲取被采集網(wǎng)站的分頁列表頁內(nèi)容
3、從分頁列表代碼中提取被采集的內(nèi)容頁面的URL連接地址
絕大部分分頁頁面里的內(nèi)容頁連接也有固定規(guī)則，如：
a href="url1">連接1/a> br>
a href="url2">連接2/a> br>
a href="url3">連接3/a> br>

用以下代碼就可以獲得一個URL連接集合

'-----------------翟振愷(小琦)
Set xiaoqi = New Regexp
xiaoqi.IgnoreCase = True
xiaoqi.Global = True
xiaoqi.Pattern =  ””“.+?”““
Set Matches =xiaoqi.Execute(頁面列表內(nèi)容)
set  xiaoqi=nothing
url=""
For Each Match in Matches
url=urlMatch.Value
Next
'-----------------翟振愷(小琦)
4、取得被采集的內(nèi)容頁面內(nèi)容，根據(jù)”提取標記“從被采集的內(nèi)容頁面分別截取要取得的數(shù)據(jù)

因為是動態(tài)生成的頁面，大多數(shù)內(nèi)容頁面內(nèi)都有相同的html標記，我們可以根據(jù)這些有規(guī)則的標記提取需要的各個部分的
內(nèi)容。
如：
每個頁面都有網(wǎng)頁標題title>網(wǎng)頁標題/title>，用我上面寫的MID截取函數(shù)就可以獲得title>/title>之間的值，也
可以用正則表達式來獲得。
例：body("title>網(wǎng)頁標題/title>","title>","/title>")

介紹完采集器的祥細原理后，就開始說一下防采集的策略。

目前防采集的方法有很多種，先介紹一下常見防采集策略方法和它的弊端及采集對策：

一、判斷一個IP在一定時間內(nèi)對本站頁面的訪問次數(shù)，如果明顯超過了正常人瀏覽速度，就拒絕此IP訪問
弊端：
1、此方法只適用于動態(tài)頁面，如：asp\jsp\php等...靜態(tài)頁面無法判斷某個IP一定時間訪問本站頁面的次數(shù)
2、此方法會嚴重影響搜索引擎蜘蛛對其收錄，因為搜索引擎蜘蛛收錄時，瀏覽速度都會比較快而且是多線程。此方法也
會拒絕搜索引擎蜘蛛收錄站內(nèi)文件
采集對策：只能放慢采集速度，或者不采
建議：做個搜索引擎蜘蛛的IP庫，只允許搜索引擎蜘蛛快速瀏覽站內(nèi)內(nèi)容。搜索引擎蜘蛛的IP庫的收集，也不太容易，一
個搜索引擎蜘蛛，也不一定只有一個固定的IP地址。
評論：此方法對防采集比較有效，但卻會影響搜索引擎對其收錄。

二、用javascript加密內(nèi)容頁面

弊端：此方法適用于靜態(tài)頁面，但會嚴重影響搜索引擎對其收錄情況，搜索引擎收到到的內(nèi)容，也都是加密后的內(nèi)容
采集對策：建議不采，如非要采，就把解密碼的JS腳本也采下來。
建議：目前沒有好的改良建議
評論：建議指望搜索引擎帶流量的站長不要使用此方法。

三、把內(nèi)容頁面里的特定標記替換為”特定標記+隱藏版權(quán)文字“

弊端：此方法弊端不大，僅僅會增加一點點的頁面文件大小，但容易反采集
采集對策：把采集來的含有隱藏版權(quán)文字內(nèi)容的版權(quán)文字替掉，或替換成自己的版權(quán)。
建議：目前沒有好的改良建議
評論：自己感覺實用價值不大，就算是加上隨機的隱藏文字，也等于畫蛇添足。

四、只允許用戶登陸后才可以瀏覽
弊端：此方法會嚴重影響搜索引擎蜘蛛對其收錄
采集對策：目前落伍已經(jīng)有人發(fā)了對策文章，具體對策就看這個吧《ASP小偷程序如何利用XMLHTTP實現(xiàn)表單的提交以及
cookies或session的發(fā)送》
建議：目前沒有好的改良建議
評論：建議指望搜索引擎帶流量的站長不要使用此方法。不過此方法防一般的采集程序，還是有點效果的。

五、用javascript、vbscript腳本做分頁
弊端：影響搜索引擎對其收錄
采集對策：分析javascript、vbscript腳本，找出其分頁規(guī)則，自己做個對應(yīng)此站的分頁集合頁即可。
建議：目前沒有好的改良建議
評論：感覺懂點腳本語言的人都能找出其分頁規(guī)則

六、只允許通過本站頁面連接查看，如：Request.ServerVariables("HTTP_REFERER")
弊端：影響搜索引擎對其收錄
采集對策：不知道能不能模擬網(wǎng)頁來源。。。。目前我沒有對應(yīng)此方法的采集對策
建議：目前沒有好的改良建議
評論：建議指望搜索引擎帶流量的站長不要使用此方法。不過此方法防一般的采集程序，還是有點效果的。

從以上可以看出，目前常用的防采集方法，要么會對搜索引擎收錄有較大影響，要么防采集效果不好，起不到防采集的效
果。那么，還有沒有一種有效防采集，而又不影響搜索引擎收錄的方法呢？那就請繼續(xù)往下看吧，精彩的地方馬上呈獻給
大家。

下面就是我的防采集策略，防采集而又不防搜索引擎

從前面的我講的采集原理大家可以看出，絕大多數(shù)采集程序都是靠分析規(guī)則來進行采集的，如分析分頁文件名規(guī)則、分析
頁面代碼規(guī)則。

一、分頁文件名規(guī)則防采集對策

大部分采集器都是靠分析分頁文件名規(guī)則，進行批量、多頁采集的。如果別人找不出你的分頁文件的文件名規(guī)則，那么別
人就無法對你的網(wǎng)站進行批量多頁采集。
實現(xiàn)方法：
我認為用MD5加密分頁文件名是一個比較好的方法，說到這里，有人會說，你用MD5加密分頁文件名，別人根據(jù)此規(guī)則也可
以模擬你的加密規(guī)則得到你的分頁文件名。

我要指出的是我們加密分頁文件名時，不要只加密文件名變化的部分
如果I代表分頁的頁碼，那么我們不要這樣加密
page_name=Md5(I,16)".htm"

最好給要加密的頁碼上再跟進一個或多個字符，如：page_name=Md5(I"任意一個或幾個字母",16)".htm"

因為MD5是無法反解密的，別人看到的會頁字母是MD5加密后的結(jié)果，所以加人也無法知道你在 I 后面跟進的字母是什么
，除非他用暴力****MD5，不過不太現(xiàn)實。

二、頁面代碼規(guī)則防采集對策

如果說我們的內(nèi)容頁面無代碼規(guī)則，那么別人就無法從你的代碼中提取他們所需要的一條條內(nèi)容。
所以我們要的這一步做到防采集，就要使代碼無規(guī)則。
實現(xiàn)方法：
使對方需要提取的標記隨機化
1、定制多個網(wǎng)頁模板，每個網(wǎng)頁模板里的重要HTML標記不同，呈現(xiàn)頁面內(nèi)容時，隨機選取網(wǎng)頁模板，有的頁面用CSS+DIV
布局，有的頁面用table布局，此方法是麻煩了點，一個內(nèi)容頁面，要多做幾個模板頁面，不過防采集本身就是一件很煩
瑣的事情，多做一個模板，能起到防采集的作用，對很多人來說，都是值得的。
2、如果嫌上面的方法太麻煩，把網(wǎng)頁里的重要HTML標記隨機化，也可以。

做的網(wǎng)頁模板越多，html代碼越是隨機化，對方分析起內(nèi)容代碼時，就越麻煩，對方針對你的網(wǎng)站專門寫采集策略時，難
度就更大，在這個時候，絕大部分人，都會知難而退，因為這此人就是因為懶，才會采集別人網(wǎng)站數(shù)據(jù)嘛~~~再說一下，
目前大部分人都是拿別人開發(fā)的采集程序去采集數(shù)據(jù)，自己開發(fā)采集程序去采集數(shù)據(jù)的人畢竟是少數(shù)。

還有些簡單的思路提供給大家：
1、把對數(shù)據(jù)采集者重要，而對搜索引擎不重要的內(nèi)容用客戶端腳本顯示
2、把一頁數(shù)據(jù)，分為N個頁面顯示，也是加大采集難度的方法
3、用更深層的連接，因為目前大部分采集程序只能采集到網(wǎng)站內(nèi)容的前3層，如果內(nèi)容所在的連接層更深，也可以避免被
采集。不過這樣可能會給客戶造成瀏覽上的不便。
如：
大多網(wǎng)站都是首頁----內(nèi)容索引分頁----內(nèi)容頁
如果改成：
首頁----內(nèi)容索引分頁----內(nèi)容頁入口----內(nèi)容頁
注：內(nèi)容頁入口最好能加上自動轉(zhuǎn)入內(nèi)容頁的代碼

meta http-equiv="refresh" content="6;url=內(nèi)容頁(http://www.xiaoqi.net)">
其實，只要做好防采集的第一步(加密分頁文件名規(guī)則)，防采集的效果就已經(jīng)不錯了，還是建議兩條反采集方法同時使用
，給采集者增加采集難度，使得他們知難頁退。

至此，全文完，歡迎大家在此討論與此相關(guān)技術(shù)，謝謝!
作者：翟振愷(小琦)
希望大家轉(zhuǎn)載時，不要把作者版權(quán)去掉，謝謝合作!

標簽：清遠通遼邢臺涼山楚雄赤峰南京上海

巨人網(wǎng)絡(luò)通訊聲明：本文標題《網(wǎng)站生成靜態(tài)頁面，及網(wǎng)站數(shù)據(jù)采集的攻、防原理和策略》，本文關(guān)鍵詞網(wǎng)站,生成,靜態(tài),頁面,及,；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請?zhí)峁┫嚓P(guān)信息告之我們，我們將及時溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無關(guān)。