網(wǎng)站怎么樣防止被人采集
一、背景
空間就不能正常訪問了，打電話詢問空間服務(wù)提供商，原來是空間服務(wù)提供商為了節(jié)省帶寬，給各種類型的用戶限制了流量每天斷流的情況，告訴說的B型空間每日流量不能超過300M，問到是什么占用流量時，空間服務(wù)提供商告訴說大部分流量來源于搜索引擎?？蓯旱乃阉饕妫≡趺床蛔尵W(wǎng)站內(nèi)容被蜘蛛抓取呢？當(dāng)時這么想。后來隨著原創(chuàng)文章數(shù)的增多，導(dǎo)致文章被轉(zhuǎn)貼、采集、附件經(jīng)常被盜鏈，這些也成為了日益需要解決的問題。
二、 基礎(chǔ)概念
其實最簡單的單元就是程序代碼，程序代碼構(gòu)造了程序，比如簡單的抓取 wget 程序，比如假設(shè)要抓取天空軟件站的“創(chuàng)新英語單詞通” ，直接在命令行：
wget http://jlbc./down/recite.rar --referer=http://www./soft/31870.html這樣就能抓取到天空軟件站的這個軟件。很多的程序構(gòu)造起來，給定了一定的名稱，富有更多的功能
，這樣升級成爬蟲或者蜘蛛，又稱機(jī)器人，像Yahoo! Slurp China，baiduspider，Google bot等等。
現(xiàn)在的采集更為精準(zhǔn)，采集標(biāo)題、需要采集的內(nèi)容、采集的地址、采集所需要的屏蔽內(nèi)容，等都可以讓已經(jīng)編譯好的程序通過后臺進(jìn)行簡單的操作即可。
三、 解決之道
方案一，環(huán)境變量
根據(jù)系統(tǒng)環(huán)境變量，我們可以指定蜘蛛該收錄一些什么不收錄一些什么，提高需采集的技術(shù)難度。
使用 HTTP_USER_AGENT 指定蜘蛛類型以及識別蜘蛛和非蜘蛛抓取，根據(jù)其類型反應(yīng)出不同的內(nèi)容；
使用 HTTP_ACCEPT_LANGUAGE 可以識別基本的套接字類抓取以及蜘蛛和非蜘蛛，畢竟采集機(jī)器人能識別語種的占少數(shù)，像本人的主站點使用的就是這個參數(shù)；
使用 HTTP_REFERER 可以偵測盜鏈狀況，如果referer來源不是本站或者指定的站點，跳轉(zhuǎn)或者指向其他頁面，本人站點的處理防止圖片盜鏈的方法就是一種高級的利用referer反盜鏈方法，然后引導(dǎo)到
一個字節(jié)很小的頁面；
使用 REMOTE_PORT 記錄蜘蛛的地址，緩存起來，可以直接屏蔽該地址，杜絕采集或者針對搜索引擎進(jìn)行優(yōu)化；
使用 HTTP認(rèn)證 來屏蔽匿名蜘蛛的抓取；
方案二，程序本身控制
深究網(wǎng)站頻繁訪問以及大量被采集，主要還是自身網(wǎng)站程序原因?qū)е隆?br>更改目錄 是一種比較土的辦法，但是非常使用有效，編寫程序擁有自動在一段時間某個ip頻繁訪問的情況下，自動更換目錄路徑，這樣減少外界機(jī)器人的頻繁訪問；
提升網(wǎng)站本身的權(quán)限 ，比如需要注冊ID訪問，每個ID對應(yīng)于不同的權(quán)限；或是根據(jù)IP加時間結(jié)合的方法進(jìn)行訪問控制等；
使用隱藏文字 方式進(jìn)行干擾，比如用CSS的DIsplay:none，或者直接把字體顏色和背景顏色一致，這樣采集者要分離文章需要大量的時間處理，比如我的BBS論壇使用的就是此方式；
Javascript 的干擾，目前一般很少有人使用此方式來做站，估計大部分站長考慮到搜索引擎解析Javascript差，擔(dān)心不會被收錄的問題；本人的站點就是比較另類的一個，用JS作為輸出，所有的正文全
部在JS里面；
XML 化的頁面是比較難被蜘蛛所識別，特別是Javascript+Xml化后，使用了ajax技術(shù)，即保證了速度，又保護(hù)了有效的數(shù)據(jù)，這種類型的網(wǎng)站還沒有蜘蛛能夠完全的解析，像澳門官方體彩網(wǎng)站；
方案三，網(wǎng)站結(jié)構(gòu)
網(wǎng)站結(jié)構(gòu)可以很大的影響采集以及搜索引擎收錄。
網(wǎng)站圖片化 早些年，一些很精美的韓國模板都是圖片拼成的，像IKdiary；
Flash 結(jié)構(gòu)的網(wǎng)站，一些高超的閃客把一些動態(tài)頁面全部用flash繪制而成，簡直就是蜘蛛的克星；
使用非80端口的更安全協(xié)議 比如HTTPS協(xié)議，雖然成本比較高，但是也是防止匿名蜘蛛抓取的好辦法；
四、 后記
從搜索引擎的出發(fā)點來看，上面的方法與之背道而馳，不管怎樣，我們的目的是做一個站，做站就是做的有特色，保留自己網(wǎng)站上的特色，把精髓奉獻(xiàn)給大家，這就是互聯(lián)網(wǎng)的初衷。而隨著互連網(wǎng)
的日益壯大，采集已經(jīng)成為一個普遍的問題，區(qū)區(qū)已拋磚引玉，把過度蜘蛛抓取的解決的辦法一一告訴大家，希望大家能有更多的想法一起討論噢。