Как усложнить парсинг сайта?

Ставьте правильно постановку задачи... :) Одного потока wget-а вполне достаточно для парсинга всего сайта.

Ограничить количество страниц в секунду можно limit_req. Только не забудьте, что лимины нужно устанавливать только на страницы, т.е. картинки, графику, скрипты, цсс-ы нужно отдавать без лимитов.

Да зачем... Может, проще скрипт какой на перле накатать, который будет слишком активных в .htaccess заносить?

Если они у вас все тырят включая разметку, то добавляйте ссылки в текст на ваш сайт, и визуально стилями сделайте их обычным текстом. Или добавляйте в тексты. что материал скопирован/взят с сайта ...

А так, выше уже сказали спарсить можно практически все. Но вашу цель вы достигните если немного будете менять верстку.

Одно дело ждать часы, а другое - неск мин :) Не стоит забывать и про всякие 404/302 (а то и 502) и внешние сервисы (гуглошрифты, аяксы, вк/ок/фб, дискуссы, счётчики и пр)

Даже в браузерах многопоточка.

Один поток не остановит "злодеев" - им-то как раз качать не много и по хорошим каналам, а вот людям создаст геморой.

Двухпоточка, на самом деле, если не влезть в конфиг и не поменять ручками настройки.

8ми, как я видел в ФФ на винде. МБ зависит от браузера. Помниться в старой опере дефолтно тоже было 8 и настраивалось в фейсе.

Выводите некоторые данные ajaxом. Например, какие-то цифры, адреса и т.п., смотря что там у вас. Поисковикам они не нужны, делается легко, а граберам головняка добавят ощутимо. Другой вариант - выводить их картинкой. Можно не все, а случайным образом.

Если вы создадите систему, которая отлавливает слишком активных, то лучше не блокировать их (слишком для них очевидно), а подсовывать левые данные, например, менять цифры на неправильные или менять данные из других записей. И не всегда, а случайным образом. Делается легко, поисковые боты в порядке, граберы незаметно получают бракованные данные. Все счастливы.

borisd, предлагаю подшутить на копипастерами, как я недавно сделал на одном (тогда еще своем) сайте.

Ручные копипастеры не сильно мешали, другое дело - практически моментальный репост на автомате (и появление в поиске дублей копирайта).

В общем, собрал ip с которых работали грабберы (все работали на тех же серверах, где лежали сами сайты) и в той части поста, которая идет после "читать далее" все картинки заменил на такую(мат), а текст на "Этот пост мы пытались стянуть с сайта... Читайте его лучше на первоисточнике >>".

В итоге на главных страницах сайтов-доноров и в категориях все выглядело "ок" (ибо до "читать далее" контент не изменялся) и при беглом визуальном контроле злодей ничего не замечал. Зато реальные посетители, переходя внутрь постов, очень даже замечали. :)

Было весело + профит: уникальный текст поста не копируется в момент публикации, посетители доноров переходят ко мне, чтобы исправить парсер нужно нанять разработчика, который допишет граббер под прокси, плюс постоянно держать свежие прокси.

Где-то около недели провисели у них такие посты. Потом репостинг прекратился.

Стили...

А что с таким делать???

Такой текст на вашем сайте поисковики скорее всего не "проглотят". Вы же слова рвете. Ну а копипастер просто регуляркой вырежет все лишнее и получит хороший ровный текст.