防止数据被采集的最终解决方法(来自网络大本营)

[szsbell]

本人提出的解决方法有：

一，代码Id变通方法。
大家可能会知道，一个Table里面可以有Id，而td也可以有Id(对于Tr是否可以有一个Id，我没有试过，你自己可以试试，加一个Id，如果能正确显示，那就说tr加一个Id都是可以的)，甚至Span、Div也可以有一个Id，我们利用Id变化来使得页面模板结构似是而非。什么意思？？下面我演示一个代码给您看看：

<Table Id="xrssOne">
<Tr>
<Td Id="xrssTwo">
<Div Id="xrssThree">信息标题</Div>
</Td>
</Tr>
<Tr>
<Td Id="xrssFour">
<Span Id="xrssFive">信息标题</Span>
</Td>
</Tr>
</Table>
看到了吗？？
Id：
xrssOne
xrssTwo
xrssThree
xrssFour
xrssFive
这五个Id，如果在程序里面用一个随机数来控制，那就是每个页面结构的都不是一样的咯（不相同的是Id），这样就可以有效的打乱了页面相同结构的模板。
对于这五个Id怎么随机法？不防这样，就用时间，用Asp语言实现如下：
xrssOne=minute(Mow())
xrssTwo="zrb"&minute(Mow())
xrssThree=Hour(Now())
xrssFour="xrss"&Hour(Now())
xrssFive="www.xrss.cn"&minute(Mow())&Hour(Now())
(当然ID生成也可以根据其它函数，如文本入库时间，随基数.....)
这个是动态页面的处理方法。
如果静态页面的生成方法，可以用到Replace函数将模板中相关ID替换掉，当然记得一定要在模版中修改、添加以上ID。

由于页面的信息代码远不如一两个table的，所以Id越多，越难采集；页面代码越多，越复杂，代码唯一的可能性越少，采集的机会越少。

二，内嵌Js方法，这个方法算是盲羊补牢之方法。

就是在信息代码中内嵌Js方法，一般来说，数据采集一般会对页面的源代码进行分析，但是不会对信息内容进行分析，就算采集者对页面中的内容进行替换，你也可以用一些没有使用的域名或者很特别的命名来达到效果。对于信息内容内嵌Js代码，这个动作可以在信息显示页面进行嵌入或者在信息入库中进行嵌入（最好是在显示信息的时候嵌入），如:您要插入一个“<script language="JavaScript" src="http://www.xrss.cn/Js/Stop.Js"></script>”Stop.Js文件,这个可能要你在信息入库的时候插入一个特别的字符，在信息内容显示的时候把这个特别的字符替换为<script language="JavaScript" src="http://www.xrss.cn/Js/Stop.Js"></script>字符。在Stop.Js文件中,你可以放自己的广告.....之类,下面会有一个更狠的，下面慢慢给您解说。如果您不想在信息内容入库的时候插入特别的字符,你可以根据您内容的特点,如IT类文章肯定有<br>这些字符,处理的时候,随机地选择其中的一个替换为<script language="JavaScript" src="http://www.xrss.cn/Js/Stop.Js"></script><br>,记得加上<br>哦。使用内嵌Js方法的时候要注意：

1，Js文件记得要绝对页面路径。就是一定要用http://www.xrss.cn/Js/Stop.Js，不能用/Js/Stop.Js，防止内嵌Js失效。
2，Js的链接域名尽量特别。比如新开一个二级域名，或者非本信息显示页面的域名。
3，Js的文件名尽量复杂。我这里为了好说明问题，所以特别使用stop.Js文件名，但是真正要使用的时候，文件名要设置为很特别的那种，防止采集的小偷识别出来而进行替换。
3，内嵌的Js后辍名的问题。由于Js保存的后辍名不一定要为Js，可以保存为Gif或者没有.Js......之类的，这样更加防止这个Js代码被发现。最好保持为Gif后辍名，因为可能有些采集工具，如果后辍名为Gif的被一起保存在它的服务器上，虽然被保持，但是里面的Js内容为您自己写的，如果写一些下载木马之类的代码在里面，呵呵。

在这里说说Js里面内容代码的问题，如果您感觉那个小偷程序很讨厌，可以在Js代码里面放入您的内容，如：

1，您自己的广告内容，呵呵，让对方给您也做广告（这个，采集者可能很容易发现）
2，写一个代码跳转的程序，如：
var pageUrl="";
pageUrl = window.location;
pageUrl = pageUrl.toString()
if (pageUrl.indexOf('xrss.cn')==-1&&pageUrl.indexOf('pclala.com')==-1)
{
alert('错误提示：该页面为盗链程序！')
location.href='http://www.xrss.cn/'
}
呵呵，这个代码一经过启用，呵呵
3，放置木马下载之类的内容，就是在代码中连接其它的动态语言程序，呵呵，这个尽量少用吧，呵呵。


三，代码重复注释法（2007-1-22 9:49 增加更新）

这个方法是最近想出来的，为了尽量对原页面模板做少量的更改而想出来的方法。我们都知道目前的小偷采集都是针对页面的源代码进行截取，而截取的内容，最起码StartStr（开始字符串）OverStr（结束字符串）这两个标识码至少有一个是唯一的，呵呵，我们只要在页面中重复可能作为标识的字符串，怎么重复法？？呵呵，我们都知道，在页面代码中，只要是<!--内容-->都是没有解释出来的，就是不影响页面的，所以我依据这个原理做一个示范，如：

<TABLE style="TABLE-LAYOUT: fixed; WORD-WRAP: break-word" cellSpacing=2 cellPadding=2 width="100%" border=0 id="zrb21">
<TBODY>
<TR>
<TD class=message id=zoom style="WORD-BREAK: break-all">
<table border="0" align=left>
<tr>
<td><div Id="21" class="guanggao"><span id="ad3"></span></div>
<div class="guanggao"><span id="contentAdv"></span></div></td>
</tr>
</table><span Id="32">
信息显示的内容
</span></TD>
</TR></TBODY></TABLE>


我们只要在这个代码之前加一个标识：

<!--
<TABLE style="TABLE-LAYOUT: fixed; WORD-WRAP: break-word" cellSpacing=2 cellPadding=2 width="100%" border=0 id="zrb21">
<TBODY>
<TR>
<TD class=message id=zoom style="WORD-BREAK: break-all">
<table border="0" align=left>
<tr>
<td><div Id="21" class="guanggao"><span id="ad3"></span></div>
<div class="guanggao"><span id="contentAdv"></span></div></td>
</tr>
</table><span Id="32">
-->

在代码方面再加一个
<!--
</span></TD>
</TR></TBODY></TABLE>

-->

最后代码变为：

<!--
'头部内容重复
<TABLE style="TABLE-LAYOUT: fixed; WORD-WRAP: break-word" cellSpacing=2 cellPadding=2 width="100%" border=0 id="zrb21">
<TBODY>
<TR>
<TD class=message id=zoom style="WORD-BREAK: break-all">
<table border="0" align=left>
<tr>
<td><div Id="21" class="guanggao"><span id="ad3"></span></div>
<div class="guanggao"><span id="contentAdv"></span></div></td>
</tr>
</table><span Id="32">
-->

<TABLE style="TABLE-LAYOUT: fixed; WORD-WRAP: break-word" cellSpacing=2 cellPadding=2 width="100%" border=0 id="zrb21">
<TBODY>
<TR>
<TD class=message id=zoom style="WORD-BREAK: break-all">
<table border="0" align=left>
<tr>
<td><div Id="21" class="guanggao"><span id="ad3"></span></div>
<div class="guanggao"><span id="contentAdv"></span></div></td>
</tr>
</table><span Id="32">
信息显示的内容
</span></TD>
</TR></TBODY></TABLE>
<!--
’尾部内容重复
</span></TD>
</TR></TBODY></TABLE>

-->

呵呵，依据这个原理，你可以对页面中的标题名，信息内容进行设置。

最后加一点技巧：
在一个页面中如果你确定不了标识码（就是上面所说的：StartStr和OverStr），可以结果上面的方法一，对table进行Id随机设定，如上面的<span Id="32">中的32如果是随机变化的话，还有如果<div Id="21"中的21是随机变化的话，那么您注释的代码可以为：
<!---
" class="guanggao"><span id="ad3"></span></div>
<div class="guanggao"><span id="contentAdv"></span></div></td>
</tr>
</table><span Id="
-->
为什么可以这样呢，因为标识码要唯一，如果ID是变化的，标识码就不唯一了，所以我们只要把两个变化Id中间的代码注释掉就可以了。
呵呵！


最后再提一个防止采集的方法，我的一个网友提供的，就是在IIS站点或者服务器中把那个采集的来源Ip屏蔽掉，呵呵，这个需要自己可以管理服务器才可以使用的方法，而且前提是知道那个采集的来源IP，这可能要弄一个统计系统，监测采集来源资料。


文章太长，具体请看：
http://www.xrss.cn/Info/8351.Html

[tengyunjiawu_cn]

藏拙论坛必杀采集器 1.0 正式发布,欢迎大家踊跃消灭你心目中理想的论坛!
文件名称: SpiderArticle.rar
采集效果: http://test3.cangzhuo.com
采集速度: 20秒采集一篇文章!
采集范围: 全世界任何论坛或网站列表文章!



免费下载地址: http://cangzhuo.cangzhuo.com/blog/item/72a18f602b3311dd8000333800003238.html

欢迎各位专家批评指正!

[mrshelly]

把网站放家里, 不接网络. 然后卖票访问...

[wpsni]

一般找table的标签!

[silence2k]

不容易防住啊.
现有个采集程序,只采集文本 直接不读代码 你代码怎么防都无效.
时间间隔设置为正常浏览速度左右.

[超级大笨狼]

限制IP就可以防住一大半。

[afqitx]

没用的！采集都用正则了！你不让人访问就没法采了，这是唯一的方法，截图的都有，你这小CASE了

[xhan2000]

[Quote=引用 2 楼 mrshelly 的回复:]
把网站放家里, 不接网络. 然后卖票访问...
[/Quote]

[tradehue]

顶！！

[shhoudao]

不懂技术，还是挺支持你