筆者自己是寫采集器的，所以對網站防采集有一些心得體會。因為是在上班時間，各種方法只是簡單的提及。
很多防采集方法在施行的時候需要考慮是否影響搜索引擎對網站的抓取，所以先來分析下一般采集器和搜索引擎爬蟲采集有何不同。
相同點：
a. 兩者都需要直接抓取到網頁源碼才能有效工作，
b. 兩者單位時間內會多次大量抓取被訪問的網站內容；
c. 宏觀上來講兩者IP都會變動；
d. 兩者多沒耐心的去破解你對網頁的一些加密(驗證)，比如網頁內容通過js文件加密，比如需要輸入驗證碼才能瀏覽內容，比如需要登錄才能訪問內容等。
不同點：
搜索引擎爬蟲先忽略整個網頁源碼腳本和樣式以及html標簽代碼，然后對剩下的文字部分進行切詞語法句法分析等一系列的復雜處理。而采集器一般是通過html標簽特點來抓取需要的數據，在制作采集規則時需要填寫目標內容的開始標志何結束標志，這樣就定位了所需要的內容；或者采用對特定網頁制作特定的正則表達式，來篩選出需要的內容。無論是利用開始結束標志還是正則表達式，都會涉及到html標簽(網頁結構分析)。
然后再來提出一些防采集方法
1、限制IP地址單位時間的訪問次數
分析：沒有哪個常人一秒鐘內能訪問相同網站5次，除非是程序訪問，而有這種喜好的，就剩下搜索引擎爬蟲和討厭的采集器了。
弊端：一刀切，這同樣會阻止搜索引擎對網站的收錄
適用網站：不太依靠搜索引擎的網站
采集器會怎么做：減少單位時間的訪問次數，減低采集效率
2、屏蔽ip
分析：通過后臺計數器，記錄來訪者ip和訪問頻率，人為分析來訪記錄，屏蔽可疑Ip。
弊端：似乎沒什么弊端，就是站長忙了點
適用網站：所有網站，且站長能夠知道哪些是google或者百度的機器人
采集器會怎么做：打游擊戰唄！利用ip代理采集一次換一次，不過會降低采集器的效率和網速(用代理嘛)。
3、利用js加密網頁內容
Note:這個方法我沒接觸過，只是從別處看來
分析：不用分析了，搜索引擎爬蟲和采集器通殺
適用網站：極度討厭搜索引擎和采集器的網站
采集器會這么做：你那么牛，都豁出去了，他就不來采你了
4、網頁里隱藏網站版權或者一些隨機垃圾文字，這些文字風格寫在css文件中
分析：雖然不能防止采集，但是會讓采集后的內容充滿了你網站的版權說明或者一些垃圾文字，因為一般采集器不會同時采集你的css文件，那些文字沒了風格，就顯示出來了。
適用網站：所有網站
采集器會怎么做：對于版權文字，好辦，替換掉。對于隨機的垃圾文字，沒辦法，勤快點了。
5、用戶登錄才能訪問網站內容
分析：搜索引擎爬蟲不會對每個這樣類型的網站設計登錄程序。聽說采集器可以針對某個網站設計模擬用戶登錄提交表單行為。
適用網站：極度討厭搜索引擎，且想阻止大部分采集器的網站
采集器會怎么做：制作擬用戶登錄提交表單行為的模塊
6、利用腳本語言做分頁(隱藏分頁)
分析：還是那句，搜索引擎爬蟲不會針對各種網站的隱藏分頁進行分析，這影響搜索引擎對其收錄。但是，采集者在編寫采集規則時，要分析目標網頁代碼，懂點腳本知識的人，就會知道分頁的真實鏈接地址。
適用網站：對搜索引擎依賴度不高的網站，還有，采集你的人不懂腳本知識
采集器會怎么做：應該說采集者會怎么做，他反正都要分析你的網頁代碼，順便分析你的分頁腳本，花不了多少額外時間。
7、防盜鏈措施(只允許通過本站頁面連接查看，如：Request.ServerVariables(“HTTP_REFERER“) )
分析：asp和php可以通過讀取請求的HTTP_REFERER屬性，來判斷該請求是否來自本網站，從而來限制采集器，同樣也限制了搜索引擎爬蟲，嚴重影響搜索引擎對網站部分防盜鏈內容的收錄。
適用網站：不太考慮搜索引擎收錄的網站
采集器會怎么做：偽裝HTTP_REFERER嘛，不難。
8、全flash、圖片或者pdf來呈現網站內容
分析：對搜索引擎爬蟲和采集器支持性不好，這個很多懂點seo的人都知道
適用網站：媒體設計類并且不在意搜索引擎收錄的網站
采集器會怎么做：不采了，走人
9、網站隨機采用不同模版
分析：因為采集器是根據網頁結構來定位所需要的內容，一旦先后兩次模版更換，采集規則就失效，不錯。而且這樣對搜索引擎爬蟲沒影響。
適用網站：動態網站，并且不考慮用戶體驗。
采集器會怎么做：一個網站模版不可能多于10個吧，每個模版弄一個規則就行了，不同模版采用不同采集規則。如果多于10個模版了，既然目標網站都那么費勁的更換模版，成全他，撤。
10、采用動態不規則的html標簽
分析：這個比較變態。考慮到html標簽內含空格和不含空格效果是一樣的，所以< div >和< div >對于頁面顯示效果一樣，但是作為采集器的標記就是兩個不同標記了。如果次頁面的html標簽內空格數隨機，那么
采集規則就失效了。但是，這對搜索引擎爬蟲沒多大影響。
適合網站：所有動態且不想遵守網頁設計規范的網站。
采集器會怎么做：還是有對策的，現在html cleaner還是很多的，先清理了html標簽，然后再寫采集規則；應該用采集規則前先清理html標簽，還是能夠拿到所需數據。
總結：
一旦要同時搜索引擎爬蟲和采集器，這是很讓人無奈的事情，因為搜索引擎第一步就是采集目標網頁內容，這跟采集器原理一樣，所以很多防止采集的方法同時也阻礙了搜索引擎對網站的收錄，無奈，是吧？以上10條建議雖然不能百分之百防采集，但是幾種方法一起適用已經拒絕了一大部分采集器了。
