网站生成静态页面攻略 生成静态页面的方法

2005-12-02 22:03:05

[b]1.生成静态页面的方法[/b] 生成HTML方法主要步骤只有两个: 一、获取要生成的html文件的内容 二、将获取的html文件内容保存为html文件 我在这里主要说明的只是第一步:如何获取要生成的html文件的内容: 目前常用获取html文件的内容的方法有几下几种: 1、这种方法与是在脚本内写要生成的html内容,不太方便预览生成页面的内容,无法可视化布局页面,更改html模板时会更加复杂。用这种方法的人很多,但我感觉这种方法是最不方便的。 [code]str="<html标记>内容</html标记>" str=str&"<html标记>内容</html标记><html标记>数据库读取内容....</html标记>....."[/code] 2、制作单独的HTML模板页,动态的内容用特定的字符作为标记(如:有人用$title$标记为网页标题),用ADODB.Stream或者Scripting.FileSystemObject将其模板内容载入,然后再用替换方法把原先定好的标记替换为动态内容(如:Replace(载入的模板内容,"$title$",rs("title" ) ) )。 3、用XMLHTTP或serverXMLHTTP获取动态页所显示的HTML内容: 我常用的生成html文件的实例: [code]’-----------------翟振恺(小琦) ’weburl是要获取的动态页地址 ’getHTTPPage(weburl)是获取动态页内容的函数 weburl="http://"&Request.ServerVariables("SERVER_NAME")&"/contact.asp?id="&rs("id")&""‘指定动态页地址 body=getHTTPPage(weburl)’用函数取到动态页地址的内容 ’-----------------翟振恺(小琦)[/code] 此方法最大的好处就是不用费力气专门去写静态的模板页面,只是将原来就有的动态页面转换为HTML静态页面,但生成速度不是太快。 我常用的生成HTML的方法就是第3种:用XMLHTTP获取动态页生成的HTML内容,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生成文件两种: 1、Scripting.FileSystemObject生成文件方法: [code]’-----------------翟振恺(小琦) Set fso = CreateObject("Scripting.FileSystemObject") File=Server.MapPath("要生成文件路径和文件名.htm") Set txt=fso.OpenTextFile(File,8,True) data1="文件内容"用WriteLine方法生成文件 txt.WriteLine data1 data2="文件内容"’用Write方法生成文件 txt.Write data2 txt.Close txt.fso ’-----------------翟振恺(小琦)[/code] 2、ADODB.Stream生成文件方法: [code]’-----------------翟振恺(小琦) Dim objAdoStream set objAdoStream = Server.cr&#101;ateObject("ADODB.Stream") objAdoStream.Type = 1 objAdoStream.Open() objAdoStream.Write("文件内容") objAdoStream.SaveToFile 要生成文件路径和文件名.htm,2 objAdoStream.Close() ’-----------------翟振恺(小琦)[/code] [b]数据采集[/b] 采集原理: 采集程序的主要步骤如下: 一、获取被采集的页面的内容 二、从获取代码中提取所有用的数据 一、获取被采集的页面的内容 我目前所掌握的ASP常用获取被采集的页面的内容方法: 1、用serverXMLHTTP组件获取数据 [code]Function GetBody(weburl) ’-----------------翟振恺(小琦) ’创建对象 Dim ObjXMLHTTP Set ObjXMLHTTP=Server.CreateObject("MSXML2.serverXMLHTTP") ’请求文件,以异步形式 ObjXMLHTTP.Open "GET",weburl,False ObjXMLHTTP.send While ObjXMLHTTP.readyState <> 4 ObjXMLHTTP.waitForResponse 1000 Wend ’得到结果 GetBody=ObjXMLHTTP.responseBody ’释放对象 Set ObjXMLHTTP=Nothing ’-----------------翟振恺(小琦) End Function[/code] 调用方法:GetBody(文件的URLf地址) 2、或XMLHTTP组件获取数据 [code]Function GetBody(weburl) ’-----------------翟振恺(小琦) ’创建对象 Set Retrieval = CreateObject("Microsoft.XMLHTTP") With Retrieval .Open "Get", weburl, False, "", "" .Send GetBody = .ResponseBody End With ’释放对象 Set Retrieval = Nothing ’-----------------翟振恺(小琦) End Function[/code] 调用方法:GetBody(文件的URLf地址) 这样获取的数据内容还需要进行编码转换才可以使用 [code]Function BytesToBstr(body,Cset) ’-----------------翟振恺(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 ’-----------------翟振恺(小琦) End Function[/code] 调用方法:BytesToBstr(要转换的数据,编码)'编码常用为GB2312和UTF-8。 二、从获取代码中提取所有用的数据 1、用ASP内置的MID函数截取需要的数据 [code]Function body(wstr,start,over) ’-----------------翟振恺(小琦) start=Newstring(wstr,start) ’设置需要处理的数据的唯一的开始标记 over=Newstring(wstr,over) ’和start相对应的就是需要处理的数据的唯一的结束标记 body=mid(wstr,start,over-start) ’设置显示页面的范围 ’-----------------翟振恺(小琦) End Function[/code] 调用方法:body(被采集的页面的内容,开始标记,结束标记) 2、用正则获取需要的数据 [code]Function body(wstr,start,over) ’-----------------翟振恺(小琦) Set xiaoqi = New Regexp’设置配置对象 xiaoqi.IgnoreCase = True’忽略大小写 xiaoqi.Global = True’设置为全文搜索 xiaoqi.Pattern = "”&start&“.+?”&over&“"’正则表达式 Set Matches =xiaoqi.Execute(wstr)’开始执行配置 set xiaoqi=nothing body="" For Each Match in Matches body=body&Match.Value ’循环匹配 Next ’-----------------翟振恺(小琦) End Function[/code] 调用方法:body(被采集的页面的内容,开始标记,结束标记) 采集程序祥细思路: 1、取得网站的分页列表页的每页地址 目前绝大部分动态网站的分页地址都有规则,如: 动态页 第一页:index.asp?page=1 第二页:index.asp?page=2 第三页:index.asp?page=3 ..... 静态页 第一页:page_1.htm 第二页:page_2.htm 第三页:page_3.htm ..... 取得网站的分页列表页的每页地址,只需要用变量替代每页地址的变化的字符即可如:page_<%="&page&"%>.htm 2、获取被采集网站的分页列表页内容 3、从分页列表代码中提取[color=Blue]被采集的内容页面的URL连接地址[/color] 绝大部分分页页面里的内容页连接也有固定规则,如: [code]<a href="url1">连接1</a> <br> <a href="url2">连接2</a> <br> <a href="url3">连接3</a> <br>[/code] 用以下代码就可以获得一个URL连接集合 [code]’-----------------翟振恺(小琦) Set xiaoqi = New Regexp xiaoqi.IgnoreCase = True xiaoqi.Global = True xiaoqi.Pattern = ””“.+?”““ Set Matches =xiaoqi.Execute(页面列表内容) set xiaoqi=nothing url="" For Each Match in Matches url=url&Match.Value Next ’-----------------翟振恺(小琦)[/code] 4、取得被采集的内容页面内容,根据”提取标记“从被采集的内容页面分别截取要取得的数据。 因为是动态生成的页面,大多数内容页面内都有相同的html标记,我们可以根据这些有规则的标记提取需要的各个部分的内容。如: 每个页面都有网页标题<title>网页标题</title>,用我上面写的MID截取函数就可以获得<title></title>之间的值,也可以用正则表达式来获得。 例: [code]body("<title>网页标题</title>","<title>","</title>")[/code] [b]防采集策略[/b] 目前防采集的方法有很多种,先介绍一下常见防采集策略方法和它的弊端及采集对策: 一、判断一个IP在一定时间内对本站页面的访问次数,如果明显超过了正常人浏览速度,就拒绝此IP访问 弊端: 1、此方法只适用于动态页面,如:asp\jsp\php等...静态页面无法判断某个IP一定时间访问本站页面的次数。 2、此方法会严重影响搜索引擎蜘蛛对其收录,因为搜索引擎蜘蛛收录时,浏览速度都会比较快而且是多线程。此方法也会拒绝搜索引擎蜘蛛收录站内文件 采集对策:只能放慢采集速度,或者不采 建议:做个搜索引擎蜘蛛的IP库,只允许搜索引擎蜘蛛快速浏览站内内容。搜索引擎蜘蛛的IP库的收集,也不太容易,一个搜索引擎蜘蛛,也不一定只有一个固定的IP地址。 评论:此方法对防采集比较有效,但却会影响搜索引擎对其收录。 二、用javascript加密内容页面 弊端:此方法适用于静态页面,但会严重影响搜索引擎对其收录情况,搜索引擎收到到的内容,也都是加密后的内容 采集对策:建议不采,如非要采,就把解密码的JS脚本也采下来。 建议:目前没有好的改良建议 评论:建议指望搜索引擎带流量的站长不要使用此方法。 三、把内容页面里的特定标记替换为[color=Red]”特定标记+隐藏版权文字“[/color] 弊端:此方法弊端不大,仅仅会增加一点点的页面文件大小,但容易反采集 采集对策:把采集来的含有隐藏版权文字内容的版权文字替掉,或替换成自己的版权。 建议:目前没有好的改良建议 评论:自己感觉实用价值不大,就算是加上随机的隐藏文字,也等于画蛇添足。 四、只允许用户登陆后才可以浏览 弊端:此方法会严重影响搜索引擎蜘蛛对其收录 采集对策:目前落伍已经有人发了对策文章 ,具体对策就看这个吧《ASP小偷程序如何利用XMLHTTP实现表单的提交以及cookies或session的发送》 建议:目前没有好的改良建议 评论:建议指望搜索引擎带流量的站长不要使用此方法。不过此方法防一般的采集程序,还是有点效果的。 五、用javascript、vbscript脚本做分页 弊端:影响搜索引擎对其收录 采集对策:分析javascript、vbscript脚本,找出其分页规则,自己做个对应此站的分页集合页即可。 建议:目前没有好的改良建议 评论:感觉懂点脚本语言的人都能找出其分页规则 六、只允许通过本站页面连接查看,如:Request.ServerVariables("HTTP_REFERER") 弊端:影响搜索引擎对其收录 采集对策:不知道能不能模拟网页来源。。。。目前我没有对应此方法的采集对策 建议:目前没有好的改良建议 评论:建议指望搜索引擎带流量的站长不要使用此方法。不过此方法防一般的采集程序,还是有点效果的。 从以上可以看出,目前常用的防采集方法,要么会对搜索引擎收录有较大影响,要么防采集效果不好,起不到防采集的效果。那么,还有没有一种有效防采集,而又不影响搜索引擎收录的方法呢?那就请继续往下看吧! [b]防采集而不防搜索引擎策略[/b]   从前面的我讲的采集原理大家可以看出,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。 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: 我认为用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。 我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。 还有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.xiaoqi.net)"> 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。