网站怎么样防止被人采集
一、背景
2006年开始了我的小站，经过朋友们的捧场，每天的流量日渐增长，后来发现每当中午我的空间就不能正常访问了，打电话询问空间服务提供商，原来是空间服务提供商为了节省带宽，给各种类型的用户限制了流量每天断流的情况，告诉我的B型空间每日流量不能超过300M，我问到是什么占用我流量时，空间服务提供商告诉我说大部分流量来源于搜索引擎。可恶的搜索引擎！怎么不让我的网站内容被蜘蛛抓取呢？当时我这么想。后来随着原创文章数的增多，导致文章被转贴、采集、附件经常被盗链，这些也成为了日益需要解决的问题。
二、 基础概念
其实最简单的单元就是程序代码，程序代码构造了程序，比如简单的抓取 wget 程序，比如假设要抓取天空软件站的“创新英语单词通” ，直接在命令行：
wget http://jlbc.skycn.com/down/recite.rar --referer=http://www.skycn.com/soft/31870.html这样就能抓取到天空软件站的这个软件。很多的程序构造起来，给定了一定的名称，富有更多的功能
，这样升级成爬虫或者蜘蛛，又称机器人，像Yahoo! Slurp China，baiduspider，Google bot等等。
现在的采集更为精准，采集标题、需要采集的内容、采集的地址、采集所需要的屏蔽内容，等都可以让已经编译好的程序通过后台进行简单的操作即可。
三、 解决之道
方案一，环境变量
根据系统环境变量，我们可以指定蜘蛛该收录一些什么不收录一些什么，提高需采集的技术难度。
使用 HTTP_USER_AGENT 指定蜘蛛类型以及识别蜘蛛和非蜘蛛抓取，根据其类型反应出不同的内容；
使用 HTTP_ACCEPT_LANGUAGE 可以识别基本的套接字类抓取以及蜘蛛和非蜘蛛，毕竟采集机器人能识别语种的占少数，像本人的主站点使用的就是这个参数；
使用 HTTP_REFERER 可以侦测盗链状况，如果referer来源不是本站或者指定的站点，跳转或者指向其他页面，本人站点的处理防止图片盗链的方法就是一种高级的利用referer反盗链方法，然后引导到
一个字节很小的页面；
使用 REMOTE_PORT 记录蜘蛛的地址，缓存起来，可以直接屏蔽该地址，杜绝采集或者针对搜索引擎进行优化；
使用 HTTP认证 来屏蔽匿名蜘蛛的抓取；
方案二，程序本身控制
深究网站频繁访问以及大量被采集，主要还是自身网站程序原因导致。
更改目录 是一种比较土的办法，但是非常使用有效，编写程序拥有自动在一段时间某个ip频繁访问的情况下，自动更换目录路径，这样减少外界机器人的频繁访问；
提升网站本身的权限 ，比如需要注册ID访问，每个ID对应于不同的权限；或是根据IP加时间结合的方法进行访问控制等；
使用隐藏文字 方式进行干扰，比如用CSS的DIsplay:none，或者直接把字体颜色和背景颜色一致，这样采集者要分离文章需要大量的时间处理，比如我的BBS论坛使用的就是此方式；
Javascript 的干扰，目前一般很少有人使用此方式来做站，估计大部分站长考虑到搜索引擎解析Javascript差，担心不会被收录的问题；本人的站点就是比较另类的一个，用JS作为输出，所有的正文全
部在JS里面；
XML 化的页面是比较难被蜘蛛所识别，特别是Javascript+Xml化后，使用了ajax技术，即保证了速度，又保护了有效的数据，这种类型的网站还没有蜘蛛能够完全的解析，像澳门官方体彩网站；
方案三，网站结构
网站结构可以很大的影响采集以及搜索引擎收录。
网站图片化 早些年，一些很精美的韩国模板都是图片拼成的，像IKdiary；
Flash 结构的网站，一些高超的闪客把一些动态页面全部用flash绘制而成，简直就是蜘蛛的克星；
使用非80端口的更安全协议 比如HTTPS协议，虽然成本比较高，但是也是防止匿名蜘蛛抓取的好办法；
四、 后记
从搜索引擎的出发点来看，上面的方法与之背道而驰，不管怎样，我们的目的是做一个站，做站就是做的有特色，保留自己网站上的特色，把精髓奉献给大家，这就是互联网的初衷。而随着互连网
的日益壮大，采集已经成为一个普遍的问题，区区已抛砖引玉，把过度蜘蛛抓取的解决的办法一一告诉大家，希望大家能有更多的想法一起讨论噢。
一、背景
2006年开始了我的小站，经过朋友们的捧场，每天的流量日渐增长，后来发现每当中午我的空间就不能正常访问了，打电话询问空间服务提供商，原来是空间服务提供商为了节省带宽，给各种类型的用户限制了流量每天断流的情况，告诉我的B型空间每日流量不能超过300M，我问到是什么占用我流量时，空间服务提供商告诉我说大部分流量来源于搜索引擎。可恶的搜索引擎！怎么不让我的网站内容被蜘蛛抓取呢？当时我这么想。后来随着原创文章数的增多，导致文章被转贴、采集、附件经常被盗链，这些也成为了日益需要解决的问题。
二、 基础概念
其实最简单的单元就是程序代码，程序代码构造了程序，比如简单的抓取 wget 程序，比如假设要抓取天空软件站的“创新英语单词通” ，直接在命令行：
wget http://jlbc.skycn.com/down/recite.rar --referer=http://www.skycn.com/soft/31870.html这样就能抓取到天空软件站的这个软件。很多的程序构造起来，给定了一定的名称，富有更多的功能
，这样升级成爬虫或者蜘蛛，又称机器人，像Yahoo! Slurp China，baiduspider，Google bot等等。
现在的采集更为精准，采集标题、需要采集的内容、采集的地址、采集所需要的屏蔽内容，等都可以让已经编译好的程序通过后台进行简单的操作即可。
三、 解决之道
方案一，环境变量
根据系统环境变量，我们可以指定蜘蛛该收录一些什么不收录一些什么，提高需采集的技术难度。
使用 HTTP_USER_AGENT 指定蜘蛛类型以及识别蜘蛛和非蜘蛛抓取，根据其类型反应出不同的内容；
使用 HTTP_ACCEPT_LANGUAGE 可以识别基本的套接字类抓取以及蜘蛛和非蜘蛛，毕竟采集机器人能识别语种的占少数，像本人的主站点使用的就是这个参数；
使用 HTTP_REFERER 可以侦测盗链状况，如果referer来源不是本站或者指定的站点，跳转或者指向其他页面，本人站点的处理防止图片盗链的方法就是一种高级的利用referer反盗链方法，然后引导到
一个字节很小的页面；
使用 REMOTE_PORT 记录蜘蛛的地址，缓存起来，可以直接屏蔽该地址，杜绝采集或者针对搜索引擎进行优化；
使用 HTTP认证 来屏蔽匿名蜘蛛的抓取；
方案二，程序本身控制
深究网站频繁访问以及大量被采集，主要还是自身网站程序原因导致。
更改目录 是一种比较土的办法，但是非常使用有效，编写程序拥有自动在一段时间某个ip频繁访问的情况下，自动更换目录路径，这样减少外界机器人的频繁访问；
提升网站本身的权限 ，比如需要注册ID访问，每个ID对应于不同的权限；或是根据IP加时间结合的方法进行访问控制等；
使用隐藏文字 方式进行干扰，比如用CSS的DIsplay:none，或者直接把字体颜色和背景颜色一致，这样采集者要分离文章需要大量的时间处理，比如我的BBS论坛使用的就是此方式；
Javascript 的干扰，目前一般很少有人使用此方式来做站，估计大部分站长考虑到搜索引擎解析Javascript差，担心不会被收录的问题；本人的站点就是比较另类的一个，用JS作为输出，所有的正文全
部在JS里面；
XML 化的页面是比较难被蜘蛛所识别，特别是Javascript+Xml化后，使用了ajax技术，即保证了速度，又保护了有效的数据，这种类型的网站还没有蜘蛛能够完全的解析，像澳门官方体彩网站；
方案三，网站结构
网站结构可以很大的影响采集以及搜索引擎收录。
网站图片化 早些年，一些很精美的韩国模板都是图片拼成的，像IKdiary；
Flash 结构的网站，一些高超的闪客把一些动态页面全部用flash绘制而成，简直就是蜘蛛的克星；
使用非80端口的更安全协议 比如HTTPS协议，虽然成本比较高，但是也是防止匿名蜘蛛抓取的好办法；
四、 后记
从搜索引擎的出发点来看，上面的方法与之背道而驰，不管怎样，我们的目的是做一个站，做站就是做的有特色，保留自己网站上的特色，把精髓奉献给大家，这就是互联网的初衷。而随着互连网
的日益壮大，采集已经成为一个普遍的问题，区区已抛砖引玉，把过度蜘蛛抓取的解决的办法一一告诉大家，希望大家能有更多的想法一起讨论噢。