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
2020-07-27 13:28:59
供稿：網(wǎng)友
發(fā)布時(shí)間：2005年11月27日 晚
文章作者：翟振凱 (小琦)
交流方式：
個(gè)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(xiàn)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(gè)ASP程序員的角度用大量實(shí)例祥細(xì)介紹了動態(tài)網(wǎng)站如何生成靜態(tài)頁面原理，又從一個(gè)采集程序開發(fā)者
的角度去祥細(xì)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(shí)例代碼進(jìn)行說明。
關(guān)于網(wǎng)站數(shù)據(jù)采集攻防，作者本身是一個(gè)采集程序的開發(fā)者，同時(shí)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(jià)，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(xiàn)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(shí)，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(xì)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(gè)：
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(biāo)記>內(nèi)容</html標(biāo)記>"
str=str&"<html標(biāo)記>內(nèi)容</html標(biāo)記><html標(biāo)記>數(shù)據(jù)庫讀取內(nèi)容....</html標(biāo)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(shí)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(dú)的HTML模板頁，動態(tài)的內(nèi)容用特定的字符作為標(biāo)記(如：有人用$title$標(biāo)記為網(wǎng)頁標(biāo)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(biāo)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(shí)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(fèi)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(yàn)：
我開發(fā)過幾個(gè)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(jìn)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(biāo)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(biāo)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(biāo)記,結(jié)束標(biāo)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(dá)式
Set Matches =xiaoqi.Execute(wstr)'開始執(zhí)行配置
set xiaoqi=nothing
body=""
For Each Match in Matches
body=body&Match.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(biāo)記,結(jié)束標(biāo)記)
采集程序祥細(xì)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(gè)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=url&Match.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(biāo)記“從被采集的內(nèi)容頁面分別截取要取得的數(shù)據(jù)
因?yàn)槭莿討B(tài)生成的頁面，大多數(shù)內(nèi)容頁面內(nèi)都有相同的html標(biāo)記，我們可以根據(jù)這些有規(guī)則的標(biāo)記提取需要的各個(gè)部分的
內(nèi)容。
如：
每個(gè)頁面都有網(wǎng)頁標(biāo)題<title>網(wǎng)頁標(biāo)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(dá)式來獲得。
例：body("<title>網(wǎng)頁標(biāo)題</title>","<title>","</title>")
介紹完采集器的祥細(xì)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(gè)IP在一定時(shí)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(gè)IP一定時(shí)間訪問本站頁面的次數(shù)
2、此方法會嚴(yán)重影響搜索引擎蜘蛛對其收錄，因?yàn)樗阉饕嬷┲胧珍洉r(shí)，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(gè)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(gè)搜索引擎蜘蛛，也不一定只有一個(gè)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(yán)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(biāo)記替換為”特定標(biāo)記+隱藏版權(quán)文字“
弊端：此方法弊端不大，僅僅會增加一點(diǎn)點(diǎn)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(shí)用價(jià)值不大，就算是加上隨機(jī)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(yán)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(gè)吧《ASP小偷程序如何利用XMLHTTP實(shí)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(diǎn)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(gè)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(diǎn)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(diǎn)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(xiàn)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(jìn)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(jìn)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(jìn)行批量多頁采集。
實(shí)現(xiàn)方法：
我認(rèn)為用MD5加密分頁文件名是一個(gè)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(shí)，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(jìn)一個(gè)或多個(gè)字符，如：page_name=Md5(I&"任意一個(gè)或幾個(gè)字母",16)&".htm"
因?yàn)镸D5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(jìn)的字母是什么
，除非他用暴力****MD5，不過不太現(xiàn)實(shí)。
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(shí)現(xiàn)方法：
使對方需要提取的標(biāo)記隨機(jī)化
1、定制多個(gè)網(wǎng)頁模板，每個(gè)網(wǎng)頁模板里的重要HTML標(biāo)記不同，呈現(xiàn)頁面內(nèi)容時(shí)，隨機(jī)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(diǎn)，一個(gè)內(nèi)容頁面，要多做幾個(gè)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(gè)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(biāo)記隨機(jī)化，也可以。
做的網(wǎng)頁模板越多，html代碼越是隨機(jī)化，對方分析起內(nèi)容代碼時(shí)，就越麻煩，對方針對你的網(wǎng)站專門寫采集策略時(shí)，難
度就更大，在這個(gè)時(shí)候，絕大部分人，都會知難而退，因?yàn)檫@此人就是因?yàn)閼校艜杉瘎e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(gè)頁面顯示，也是加大采集難度的方法
3、用更深層的連接，因?yàn)槟壳按蟛糠植杉绦蛑荒懿杉骄W(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(shí)，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(cuò)了，還是建議兩條反采集方法同時(shí)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(shí)，不要把作者版權(quán)去掉，謝謝合作!
