网站采集的发展及技巧

采集是我们个人网站必须面对的东西，没有谁有精力和能力批量创作原创的信息。

几年前的采集刚开始时流行时，SE是你有什么东西，他照单全收。

记的我接触的第一个采集器是一个用php代码写成的程序名字是小蜜蜂采集器，自己觉得东西很不错。不过现在官方已经不存在了。停止了开发。让我很是惋惜。有用过的完了后跟我交流一下，给下当初的版本让我收藏下。

那几年给了很多站长爆发的机会，一些人通过采集带来了N多的流量再加上当时SP服务广告的横行，带来了N多的金钱。但是负面的影响也很多，由于采集的横行，互联网上出现了太多的重复的信息

SE也不愿意出现这样的情况所以专门对此研究了新的算法。导致了现在的情况。SE开始在乎新的东西，对于已有的信息他不愿意收录，要让他收录你的文章，就必须让他觉得有新鲜感但是任何时候，任何技术都不过时，关键是用脑子衍生出更多的东西。怎么破解不收录采集的文章这个难题就成了现在大家头痛的事情了大家的目的都是一样的，就是取巧了，也就是不劳而获。因为你没有付出，就想得到别的人通过自己的努力，积攒下来的东西。为此，伪原创出现了。伪原创的方法很多今天就说两个 1，词组替换  2，词频更改大家用的最多的就是通过特定的词典，将含义相同或相似的东西进行替换，在不影响访问者阅读的基础上，使原文章在搜索引擎眼中变为一篇新的文章。第二就是修改词频就是说一篇文章原来如果出现了张三5次。李四3词SE在数据库里就记录了，下次再出现一篇文章 张三也5词，李四也3次，SE很可能把他当做一样的文章而不进行收录。这也就是为什么打乱段落顺序对SE判断原创无效的原因。而更改关键字的词频就能对搜索引擎对原创文章的判断产生干扰。针对原来的文章，使张三变成4次，李四变成2次，这样词频就改变了当然每个站都需要自己用心去改变对应关键词的词频。 最终极的方法也是最牛的方法就是如果你的网站有了很高的权重，你稍微改动点内容，把一个权重低的原创站点的文章拿过来或者直接COPY过来SE也有很大的几率判定你原创。而原先原创的站点自然变成的转载的站。这是对原来的站点不公平，可是这个世界本来就没有公平。不过我觉得既然网站权重够大了就不要采集了，注重用户粘度才是出路。说道这里得给大家说个问题，大家的新站千万不要拿出自己的原创文章加上链接当

软文发到高权重站点。因为现在许多的站点对于提交的文章都是禁止出现站外链接的。纯文章类型的站点这样别的站会成为这篇文章的原创地址，你的就是纯copy站了，不但不会有好的影响，反而会将你的站点当做纯copy站降权，这个我是受过罪的。所以我一般自己写不出软文都拿竞争者的文章加我的链接当软文，有链接了对我好，没有了惩罚的可不是我……是谁我就不说了。今天关于采集过程，最重要的东西要亮相了，我想也是大家最关心的这就是能不能不通过伪原创直接就让SE认为你的是原创！回答是肯定的。

这个方法很好想的，只要你用SE的逻辑思维跟原理来想就行了SE怎么样获得数据，通过放出蜘蛛爬虫程序，而蜘蛛其实就是模拟普通访问者对网站进行深度的探索。并把看到得东西提交给SE。 那么什么文章你能看到而蜘蛛看不到。

蜘蛛是受限制的，你可以是自由的。

网站对蜘蛛的限制分为两类一是robots文件对他的限制，这个限制对普通访问者是不存在的，不懂robots的自己可以查资料。二是 人为设置的权限限制，这个限制对蜘蛛跟普通访问者并存，区别是蜘蛛是过不了这道限制的，而人可以通过一些手段破除这些限制。1.蜘蛛受robots.txt 文件限制的，有很多大站的很多目录是不允许蜘蛛访问的，也就是说搜索引擎是不能收录这些目录的。大家可以采集这些目录下的信息，蜘蛛会把这个当做原创的，不过采的人多了就又回到开始了。2.蜘蛛模拟的是访问者，如果网站对访问者有限制，蜘蛛同样通不过。比如各行各业访问量搞的网站的论坛有些含金量高的栏目都是禁止游客进行浏览的，蜘蛛也被挡在了门外，所以绝不会在这里收录到这些内容。可是我们可以注册相关的账号，拥有了账号就拥有了访问的权限。通过对cookies模拟来让采集器也获得访问这些内容的权限。这样你就可以采集到这些含金量比较高的内容，SE同样把这些内容当做你的原创。这样你就可以批量的采集到原创的内容，但是前提是只有你用这个方法采集这个论坛的。所以这一招适用于不是很热的关键词。毕竟这样用的人目前我没见过有太多。虽然知道的人很多，但是刻意这样做的人又有几个。知道不做什么也完成不了。www.kaopc.com这个站是我专门用来练习采集的，上万篇文章全部原创。但是由于经常更改站点类型，权降的也不是一点半点了！只做研究用。就是降权后长尾关键词的流量也有不少不只有论坛有限制的，还有很多地方，就要自己想一想了，都说出来反而不好了，把握好蜘蛛的原理就行了。上面的所有的话都只是个皮毛，要是觉得照着上面的内容做你的站就能成功，那么你已经被大众的话伤的很深了。做网站要时刻记着你做网站是为了什么。没有几个人是为了数流量玩采集的后期处理采集的东西还是要经过人工让他们通过内链有机的合成一个整体，可以通过tag来实现。这个是最快捷的方法了。后期处理才是在采集整个过程中最重要的，觉得采集完事就哦了的人是绝对错误的。但是与今天的主题无关，要是有人愿意跟我探讨下，那么请哪天找我私聊吧。采集器不单单是用来采集的采集器的作用不止是给你的网站增加内容，他还可以干很多的事情这个不能说出来，不过大家还是可以通过原理法来猜测。我不能阻断了大家想象的权利。甚至就在那一瞬间新的技术在你的脑海里展现。那是真正属于你自己的东西。采集的目的是原创，要把握好自己，切不可迷失在采集的世界里采集的东西吸引来游客，要尽量的增强用户的粘度，经常组织跟用户互动的活动，让他们觉得你的站点有意义时间长了，你甚至会摆脱了搜索引擎对你的影响。只有原创的网站才会有活力，才会有赢利点出现。垃圾站是什么，就是无目的，无计划，无后期处理的采集打造的站点。我所说的采集站希望大家伙别把当成了垃圾站。千万不要认为我在教你办垃圾站，要是为了个垃圾站我还费这么多口舌，那我就自己鄙视自己了。最后一句话：采集只是网站初期的伟哥。高调做站，低调