本著互聯(lián)網(wǎng)共享主義精神，特寫此文獻給建站新手，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ASP程序員的角度用大量實例祥細介紹了動態(tài)網(wǎng)站如何生成靜態(tài)頁面原理，又從一個采集程序開發(fā)者的角度去祥細介紹了網(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，其中用了很多的實例代碼進行說明。

　　關(guān)于網(wǎng)站數(shù)據(jù)采集攻防，作者本身是一個采集程序的開發(fā)者，同時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，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，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：

　　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&"內(nèi)容數(shù)據(jù)庫讀取內(nèi)容........."

　　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：

　　CODE:[Copy to clipboard]'-----------------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：

　　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：

　　我開發(fā)過幾個采集程序，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)

　　'-----------------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)

　　CODE:[Copy to clipboard]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)容還需要進行編碼轉(zhuǎn)換才可以使用

　　CODE:[Copy to clipboard]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)

　　CODE:[Copy to clipboard]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)

　　CODE:[Copy to clipboard]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URL連接集合

　　CODE:[Copy to clipboard]'-----------------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)

　　因為是動態(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)記提取需要的各個部分的內(nèi)容。

　　如：

　　每個頁面都有網(wǎng)頁標(biāo)題，用我上面寫的MID截取函數(shù)就可以獲得之間的值，也可以用正則表達式來獲得。

　　例：body("","")

　　介紹完采集器的祥細原理后，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IP在一定時間內(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IP一定時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，因為搜索引擎蜘蛛收錄時，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，一個搜索引擎蜘蛛，也不一定只有一個固定的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，僅僅會增加一點點的頁面文件大小，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：自己感覺實用價值不大，就算是加上隨機的隱藏文字，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 ，具體對策就看這個吧《ASP小偷程序如何利用XMLHTTP實現(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)站進行批量多頁采集。

　　實現(xiàn)方法：

　　我認(rèn)為用MD5加密分頁文件名是一個比較好的方法，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，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一個或多個字符，如：page_name=Md5(I&"任意一個或幾個字母",16)&".htm"

　　因為MD5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 后面跟進的字母是什么，除非他用暴力****MD5，不過不太現(xiàn)實。

　　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。

　　實現(xiàn)方法：

　　使對方需要提取的標(biāo)記隨機化

　　1、定制多個網(wǎng)頁模板，每個網(wǎng)頁模板里的重要HTML標(biāo)記不同，呈現(xiàn)頁面內(nèi)容時，隨機選取網(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，一個內(nèi)容頁面，要多做幾個模板頁面，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)記隨機化，也可以。

　　做的網(wǎng)頁模板越多，html代碼越是隨機化，對方分析起內(nèi)容代碼時，就越麻煩，對方針對你的網(wǎng)站專門寫采集策略時，難度就更大，在這個時候，絕大部分人，都會知難而退，因為這此人就是因為懶，才會采集別人網(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個頁面顯示，也是加大采集難度的方法

　　3、用更深層的連接，因為目前大部分采集程序只能采集到網(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

　　其實，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)不錯了，還是建議兩條反采集方法同時使用，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!