目前在国内最知名的网站采集软件肯定就似乎火车头采集器（locoy.com）了，火车采集器（LocoySpider）是一个功能强大的数据采集软件。使用它，您可以很容易的从网页上抓取文字，图片，文件等资源。目前是国内使用率最高的网站采集软件，前不久刚推出了2009的最新版，深受广大站长的喜爱
一、谈火车头采集器的由来
火车头：我们的这个采集器最早是从05年底开始有这个想法的，当时也是和大家一样，个人站长，添加管理维护网站很辛苦，一篇篇修改复制发布最开始也是接触dede 然后发现他有个外部的c#采集器。不知道有多少人也记得，我的思路基本是从这个dedespider学来的，原来真的不懂什么，到后来学会php和.net，所以只要大家有兴趣，技术上的问题都可以克服，讲到现在的采集，其实采集只能替代站长部分手工的操作。我们不建议大规模得制造垃圾站（全盘得采集复制别人的站点），所以我们现在的软件的功能越做越多，但新用户缺越来越不会用了。
我们现在有一批很忠实的会员，他们一直在靠采集器更新网站。迅速的采集然后百度搜录带来巨大的流量的时代已经不在，站长还是要关注内容，靠采集器采集的数据一样要注意，前期只能做为一个数据填充，可以稍微大的。但时间长了，目标就要把垃圾数据也要变成精品，否则做不长久
二、关于采集网站的经验
火车头：我们现在在更新这个采集器，在数据采集方面也积累了一些经验，增加更多功能以适应新形式下的采集
1.别人经常采的网站不要去采
2.太容易采的网站不要去采
3.不要一次性采集太多，一定要注意后期处理（后面详续）
4.做好关键词，tag的采集分析
5.自己网站要有自己的定位，不采与自己网站无关的内容
6.采集也要有持续性，经常更新，自动采集功能我们也有，但还是建议大家人工也参与一些审核，或定时，乱序发布
后期处理，要想法子做到让搜索引擎那看不出来两片文章的相同，这里面应该有很多SEO高手，那我不献丑了。我说下我们现在实现的功能，大家可以把这些混用，达到改变内容伪原创：
1.给标题。内容分词
2.使用同义词近义词替换，排除敏感词，不同的标签之间数据融合，指如标题内容之间数据的相互替换
3.给文章加上摘要
4.为文章标题等生成拼音地址
5.采集一些其他编码的网站，我们可以做到简繁体转化，可以采集中文网站翻译成英文（虽然比较垃圾，但应该可以算是原创）
我们也发现，高难度采集的网站一般内容质量都非常好，采集其实有时也是一件很有乐趣的事情，需要你学习一些采集相关的知识。
三、关于防采集的方法
火车头：下面讲一些主要的防采集方法。可以说是攻防对战吧。打开一个网页实际就是一个Http请求浏览器。百度蜘蛛，小到我们的采集器使用的都是一个原理，模拟http请求，所以我们同样能模拟出浏览器。百度蜘蛛出来所以绝对的防采集根本不存在，只是难度的高低。或者你认为搜索引擎的搜录也无所谓了。你可以用一些非常强大的activex，flash，全图片文字的形式，这个我们无能为力。
普通的防采集方法有
1、来源判断
2、登录信息判断 Cookie
3、请求次数判断。如一段时间内请求多少，非常规操作则封IP
4、发送方式判断 POST GET 使用JS，Ajax等请求内容
举例：
1.2不用说了，论坛，下载站等。。
3、一些大网站，需要配置服务器，单纯靠脚本判断资源消耗比较大
4、如一些招聘站，asp.net的分页，Web2.0站的ajax请求内容
当然我们后面还发现一些杀手锏，今天第一次在这里给大家公布出来~~ 有优质内容需要防采集的朋友可以考虑试下
1、网页默认deflate压缩输出（gzip容易一点，容易解压） 我们普通的浏览器和baidu支持识别gzip，deflate输出内容
2、网页内容不定时 \0 内容自动截断，这两点基本可以防主大部分主流软件采集及web采集程序了~
今天主要想要表达的一点，大家在做站时一定要注意技术的提高，比如我们里面有后期外部php及.net接口处理采集数据。或者干脆你自己做一个发布时的接口程序自己入库。我们伪原创做得再好，一样有非常多的会员使用，那样又不原创了，采集一样需要技术，只有你通过采集器获得了没有多少人有的数据，你才是唯一了。可能是我最为技术型人的一个通病，谢谢大家！
互动环节
问：您刚才提到对采集有屏蔽，那对搜索引擎呢
答：采集和百度爬虫是一模一样的原理 还有浏览器也是一样的 所以没有绝对的屏蔽，相反还会影响客户体验，你可以做一些不影响客户体验和搜索引擎搜录而提高采集难度的尝试
问：你刚才讲的是网页内容采集，有没有针对匹配关键词的指定字段的高速采集，比如采集所有带”IDC“的网页的邮箱和电话号码？用过一些，速度很慢，而且数据量明显太少。
