防止网站数据采集但允许搜索引擎爬取的方法

      之前楚江数据跟大家整理的采集原理，及常见网站数据采集防止方法，大家可以看出，绝大多数采集程序都是靠分析规则来进行采集的，如分析分页文件名规则、分析页面代码规则。 

      现在楚江数据（微信  p02721606，或淘宝搜索店铺“楚江数据”）再整理了一下防止网站数据采集但允许搜索引擎爬取的方法。

一、分页文件名规则防采集对策 

       大部分采集器都是靠分析分页文件名规则，进行批量、多页采集的。如果别人找不出你的分页文件的文件名规则，那么别人就无法对你的网站进行批量多页采集。 

实现方法： 

       可以用MD5加密分页文件名是一个比较好的方法，说到这里，有人会说，你用MD5加密分页文件名，别人根据此规则也可以模拟你的加密规则得到你的分页文件名。 

       要指出的是我们加密分页文件名时，不要只加密文件名变化的部分 

       如果I代表分页的页码，那么我们不要这样加密 

page_name=Md5(I,16)&".htm" 

       最好给要加密的页码上再跟进一个或多个字符，如：page_name=Md5(I&"任意一个或几个字母",16)&".htm" 

       因为MD5是无法反解密的，别人看到的会页字母是MD5加密后的结果，所以加人也无法知道你在 I 后面跟进的字母是什么，除非他用暴力****MD5，不过不太现实。 

二、页面代码规则防采集对策 

       如果说我们的内容页面无代码规则，那么别人就无法从你的代码中提取他们所需要的一条条内容。 所以我们要的这一步做到防采集，就要使代码无规则。 

实现方法： 

      使对方需要提取的标记随机化 

       1、 定制多个网页模板，每个网页模板里的重要HTML标记不同，呈现页面内容时，随机选取网页模板，有的页面用CSS+DIV布局，有的页面用table布 局，此方法是麻烦了点，一个内容页面，要多做几个模板页面，不过防采集本身就是一件很烦琐的事情，多做一个模板，能起到防采集的作用，对很多人来说，都是 值得的。 

      2、如果嫌上面的方法太麻烦，把网页里的重要HTML标记随机化，也可以。 

      做的网页模板越多，html代码越 是随机化，对方分析起内容代码时，就越麻烦，对方针对你的网站专门写采集策略时，难度就更大，在这个时候，绝大部分人，都会知难而退，因为这此人就是因为 懒，才会采集别人网站数据嘛~~~再说一下，目前大部分人都是拿别人开发的采集程序去采集数据，自己开发采集程序去采集数据的人毕竟是少数。 

        【楚江数据】团队经过对网站、手机APP( 包括电商、社交网站、公众号、论坛及客户提供的其他类型)爬虫定制开发和数据(文本、图片、电话邮箱、文档等)批量采集服务，把一些简单的思路提供给大家： 

      1、把对数据采集者重要，而对搜索引擎不重要的内容用客户端脚本显示 

      2、把一页数据，分为N个页面显示，也是加大采集难度的方法 

      3、用更深层的连接，因为目前大部分采集程序只能采集到网站内容的前3层，如果内容所在的连接层更深，也可以避免被采集。不过这样可能会给客户造成浏览上的不便。 

      如： 

大多网站都是 首页----内容索引分页----内容页 

       如果改成： 

首页----内容索引分页----内容页入口----内容页 

注：内容页入口最好能加上自动转入内容页的代码 

<meta http-equiv="refresh" content="6;url=内容页(http://www.huosulai.cn)"> 

其实，只要做好防采集的第一步(加密分页文件名规则)，防采集的效果就已经不错了，还是建议两条反采集方法同时使用，给采集者增加采集难度，使得他们知难页退。