如何防止网站被采集

sunhw0725

采集就是使用程序通过自动化操作复制数据。

首先说明，只要是能让浏览器访问的，就没有不能采集的。

但是可以通过一定的手段让采集变得非常麻烦，进而在大量数据的情况下延迟采集完成时间，加大采集难度。

一般的情况略过不说，几种情况比较特别的：

1、验证来路，cookie，session这些，比如PHP可以用fsockopen自定义HTTP Header，基本上这些方法没什么效果。

2、限速，限制某段时间内打开页面数量。这个只是推迟了下，大部分时间效果一般。比如某站限制一分钟之内只能打开30个网页，页面大小平均30K，则用迅雷批量下载就OK了，设置限速为2K，一觉醒来什么都好了。这个方法效果也基本没有。

3、比较特别的方法，设置一个数量级的阀值，达到这样数量后，必须验证方能继续，比如打开10个页面需要输入验证码，这个时候只需要保证验证码不可识别，分配一个session，以后的浏览过程中用session保证用户合法性，这样不影响后续访问，同时可以有效防止采集。

4、第三条对蜘蛛是致命的，此时可通过手机蜘蛛IP段，放行，其它的按照严格规则来。

5、3+4真是无敌的吗?远非可以高枕无忧，比如此站有10万个页面，则设置100个代理，在阀值前循环使用代理，这样实际上绕过了3的限制。

6、还有别的办法吗?不能，因为你的网站能用浏览器打开。

7、另外的方案，开发专有浏览器，专有数据加密。

8、社会工程学来说，进行知识产权保护，让采集的风险远大于成本，前提是你的数据值得你付出这么多来折腾。

从另外的角度来说，数据并非最重要的，就像钱不如人重要。回想百多年前，你家大清帝国装备一流，也还是败的一塌糊涂。