雨哲防采集策略之列表篇

540 查看

在一般的链接地址形式如:  
复制代码 代码如下:

1、<a class="链接样式" href="链接地址" title="链接说明" target="_blank">文章标题</a>  
2、<a class='链接样式' href='链接地址' title='链接说明' target='_blank'>文章标题</a>  

       大家注意看上面两行代码,有一个区别就是第一个中间使用的是双引号,第二个使用的是单引号。一般来说,如果在文章列表页面都使用双引号或者使用单引号,很容易让采集者找到文章路径(开始代码:href=' ,结束代码:' )。 

      那如果我们混合着用,也就是有的使用单引号,有的使用双引号,那么就会给采集者带来一定的麻烦。至少他不能采集到所有文章(如果采集程序差一点的话可能一篇也采集不到)。 

在上面的基础上,更深入一步将A中间的参数进行随机排列:  
复制代码 代码如下:

<a href="链接地址" title="链接说明" target="_blank" class="链接样式">  
<a href="链接地址" class="链接样式" title="链接说明" target="_blank">  
<a title="链接说明" href="链接地址" class="链接样式" target="_blank">  
       然后再在其中混用单双引号,在href=后面还可以不使用引号。那么采集者将不能正确获取列表页面中文章地址。 

       再深入一步,可以在列表中加入干扰码,如把链接部分重复加一次空白链接,(<a href="链接地址" title="链接说明" target="_blank" class="链接样式"></a>),那么如果对方能够获取一部分文章地址,或者能够采集一部分文章,那么这部分文章也肯定是重复的。 

在进行以上修改后,我想大部分采集者都会知难退的哈。缺点就是代码不太标准。以上仅雨哲个人观点。