中国爬虫图鉴
锐菱小虎子
阅读：743
2020-04-08 09:14:52
评论：0
来不及了，快上车。上车前，中哥先问你三个问题：
1、你以为你在大众点评上找到的馆子，真的是几百个人给了好评，然后才出现在你的推荐里的吗？
2、你以为你在百度上搜索到的信息，真的是百度想让你看到的吗？（注意体会这句话的意思，不是日常黑百度）
3、你以为在微博上看到的热搜话题大V互动，真的都是真实发生的吗？
2、你以为你在百度上搜索到的信息，真的是百度想让你看到的吗？（注意体会这句话的意思，不是日常黑百度）
3、你以为在微博上看到的热搜话题大V互动，真的都是真实发生的吗？
好，确认过眼神，我们准备发车了。-
我收到一份《中国焦虑图鉴》
文 | 史中
最近北京下暴雨，人们寸步难行。
我和幺哥坐在 床 窗边喝茶，他看着窗外的阴霾，联想起了辛酸往事。
每年总有那么几天，幺哥会心情焦虑，坐立不安，腰膝乏力，湿身盗汗。那是因为，他又要准备抢回家的火车票了。
幺哥家在湖南，离北京上千公里。他是家里的独子，每年买到火车票准时出现在家门口是他的“义务”。
这两年，他的救命稻草是一个叫做“智行火车票”的抢票软件。他在打折的时候买了会员。据说会员是有特权的：哪怕只抢到一张票，都会优先给他。（起码幺哥是这样安慰自己的。）
从技术上说，幺哥的救命稻草不是抢票软件，而是抢票软件背后，无数个叫做“爬虫”的东西。
说到这，中哥就得给你介绍今天的新朋友：爬虫。
等等，图片错了，应该是这样的爬虫：
爬虫就是一个探测机器，它的基本操作就是模拟人的行为去各个网站溜达，点点按钮，查查数据，或者把看到的信息背回来。就像一只虫子在一幢楼里不知疲倦地爬来爬去。
你可以简单地想象：每个爬虫都是你的“分身”。就像孙悟空拔了一撮汗毛，吹出一堆猴子一样。
你每天使用的百度，其实就是利用了这种爬虫技术：每天放出无数爬虫到各个网站，把他们的信息抓回来，然后化好淡妆排着小队等你来检索。
抢票软件，就相当于撒出去无数个分身，每一个分身都帮助你不断刷新 12306 网站的火车余票。一旦发现有票，就马上拍下来，然后对你喊：土豪块来付款。
正好在上周末，一位黑客盆友小k神秘兮兮地给我发来一份《中国爬虫图鉴》，这哥们在腾讯云鼎实验室主要负责加班，顺便和同事们开发了很多黑科技。比如他们搞了一个威胁情报系统，号称能探测到全世界的“爬虫”都在做什么。
我吹着口哨打开《图鉴》，但一分钟以后，我整个人都不好了。
我看到了另一个“平行世界”：
就在我们身边的网络上，已经密密麻麻爬满了各种网络爬虫，它们善恶不同，各怀心思。而越是每个人切身利益所在的地方，就越是爬满了爬虫。
看到最后，我发现这哪里是《中国爬虫图鉴》，这分明是一份《中国焦虑图鉴》。
我们今天要说的，
就和这些 App 有关。
一、爬虫的“骚操作”
爬虫也分善恶。
像谷歌这样的搜索引擎爬虫，每隔几天对全网的网页扫一遍，供大家查阅，各个被扫的网站大都很开心。这种就被定义为“善意爬虫”。
但是，像抢票软件这样的爬虫，对着 12306 每秒钟恨不得撸几万次。铁总并不觉得很开心。这种就被定义为“恶意爬虫”。（注意，抢票的你觉得开心没用，被扫描的网站觉得不开心，它就是恶意的。）
给你看一张图：
这张图里显示的，就是各行各业被爬“叨扰”的比例。（注意，这张图显示是全世界，不是全中国。）而每一个色块背后，都是一条真实而强大的利益链条。
接下来，中哥就给你科普一下里面的骚操作。
1、排名第一的是出行
出行行业中爬虫的占比最高（20.87%）。在出行的爬虫中，有89.02%的流量都是冲着 12306 去的。这不意外，全中国卖火车票的独此一家别无分号。
你还记得当年12306 上线王珞丹和白百何的“史上最坑图片验证码”么？
这些东西不是为了故意难为老老实实卖票的人的，而恰恰是为了阻止爬虫（也就是抢票软件）的点击。刚才说了，爬虫只会简单的机械点击，它不认识白百何，所以很大一部分爬虫就被挡在了门外。
你可能会说，不对啊，我现在还可以用抢票软件抢到票啊。
没错。抢票软件也不是吃素的。它们在和铁总搞“对抗”。
有一种东西叫做“打码平台”，你可以了解一下。
打码平台雇佣了很多叔叔阿姨，他们在电脑屏幕前不做别的事情，专门帮人识别验证码。那边抢票软件遇到了验证码，系统就会自动把这些验证码传到叔叔阿姨面前，他们手工选好哪个是白百何哪个是王珞丹，然后再把结果传回去。总共的过程用不了几秒时间。
当然，这样的打码平台还有记忆功能。如果叔叔阿姨已经标记了这张图是“锅铲”，那么下次这张图片再出现的时候，系统就直接判断它是“锅铲”。时间一长，12306 系统里的图片就被标记完了，机器自己都能认识，叔叔阿姨都可以坐在一边斗地主了。
你可能会问：为什么 12306 这么抠呢？它大方地让爬虫随意爬会死吗？
答：会死。
你知道每年过年之前，12306 被点成什么样了吗？公开数据是这么说的：“最高峰时1天内页面浏览量达813.4亿次，1小时最高点击量59.3亿次，平均每秒164.8万次。”这还是加上验证码防护之后的数据。可想而知被拦截在外面的爬虫还有多少。
况且这里还没有讨论，被抢票软件把票抢走，对我们父母那样的不会抢票的人来说，是不是公平呢？
铁路被爬虫“点鸡”成这样已经够惨了，但它还有个难兄难弟，就是航空。
而航空里，被搞得最惨的不是国航，不是海航，也不是东航。而是亚航。
航空类爬虫的分布比例
很多人可能都没坐过亚洲航空。这是一家马来西亚的廉价航空公司，航线基本都是从中国各地飞往东南亚的旅游胜地，飞机上连矿泉水都得自费买，是屌丝穷X度假之首选。
为什么爬虫这么青睐亚航呢？因为它便宜。确切地说，因为它经常放出便宜的票。
本来，亚航的初衷只是随机放出一些便宜的票来吸引游客，但这里面黄牛党是有利可图的。
据我所知，他们是这样玩的：
技术宅黄牛党们利用爬虫，不断刷新亚航的票务接口，一旦出现便宜的票，不管三七二十一先拍下来再说。
亚航有规定，你拍下来半小时（具体时间记不清了）不付款票就自动回到票池，继续卖。但是黄牛党们在爬虫脚本里写好了精确的时间，到了半小时，一毫秒都不多，他又把票拍下来，如此循环。直到有人从黄牛党这里定了这个票，黄牛党就接着利用程序，在亚航系统里放弃这张票，然后0.00001秒之后，就帮你用你的名字预定了这张票。
“我是中间商，我就要赚差价！”这波骚操作，堪称完美。
2、排名第二的是社交
社交的爬虫重灾区，就是你们喜闻乐见的微博。
给你看张图：
这是爬虫经常光顾的微博地址。
这里的代码其实指向了微博的一个接口。它可以用来获取某个人的微博列表、微博的状态、索引等等等等。
获得这些，能搞出什么骚操作呢？
你想想看，如果我能随心所欲地指挥一帮机器人，打开某人的微博，然后刷到某一条，然后疯狂关注、点赞或者留言，这不就是标准的僵尸粉上班儿的流程么。。。
其实，僵尸粉都只是爬虫的常规操作，更骚的来了：
1、我是一个路人甲，我的微博没人关注，我用大量的爬虫，给自己做了十万人的僵尸粉，一群僵尸在我的微博下面点赞评论，不亦乐乎。
2、我去找一个游戏厂商，跟他说：你看我有这么多粉丝，你在我这投广告吧。我帮你发一条游戏的注册链接，每有一个人通过我的链接注册了游戏，你就给我一毛钱。广告主说，不错，就这么办。
3、我发出注册链接，然后没人点。。。
4、不慌，我让十万爬虫继续前赴后继地点击注册链接，然后自动去完成注册动作。
5、我躺在床上，数着赚来的一万块钱。
（以上数据不一定和现实吻合，只是展现一个逻辑。具体操作也会更复杂。）
还有更骚的么？有的。
你家爱豆不是经常在微博上发红包么？好的，我率十万僵尸粉去抢。
凭本事抢来的红包，就问你有什么不妥吗？
3、排名第三的是电商
你回忆一下，有几种东西叫做“比价平台”“聚合电商”和“返利平台”。他们大体都是一个原理：
你搜索一样商品，这类聚合平台就会自动把各个电商的商品都放在你面前供你选择。有淘宝、京东，还有唯品会苏宁易购。
这就是爬虫的功劳。它们去淘宝上，把胖次袜子杜蕾斯的图片和价格统统扒下来，然后在自己这里展示。
这个原理和谷歌差不多。只不过他们展示的不是网页而是商品。但是被放在一起比价，淘宝是拒绝的，京东也是拒绝的啊。。。
然鹅，由于机器爬虫模拟的是人的点击，电商很难阻止这类事情发生。他们甚至都不能向12306学习。你想想看，如果你每点开一个商品详情，淘宝都让你先分辨一次白百何和王珞丹，你肯定没心情剁手，没准还要提刀去剁马云呢。。。
当然，电商对抗爬虫有另外的方法，那就是“web 应用防火墙”，简称 WAF。这个我们后面再单独说。
说到这，有童鞋会有个疑问：
那些聚合平台，自己写爬虫，然后帮助淘宝京东卖货，他们的名字叫雷锋么？
醒醒啊同学，雷锋叔叔已经走了很多年了。我随便给你说一下这种聚合电商平台的盈利模式：
1、假设几家店铺都卖杜蕾斯，但是用户在我这里搜索“杜蕾斯”的时候，我是有权利决定谁的店铺在前面谁在后面的啊。谁给的钱多，我就让谁在搜索的前面呗。@百度君，你说说是不是这个道理？（注意，每个店铺和淘宝平台可不是一致行动人。淘宝平台不希望自己的内容被聚合平台抓取，但每个店铺可是很乐意多一个渠道帮他们卖货的。）
2、如果你觉得搞竞价排名良心会痛，也可以用更简单的方式——在网页上展示独立的广告。访问你网站的用户，看到页面上的广告，也有可能会点击。每点击一次，你就赚一次钱。
3、你还可以作为中间商，收点中介费。我帮你店家卖货了，你是不是要给我意思意思。除了给我意思意思，你还得给来买东西的用户意思意思。这种套路，就是“返利网”这类平台的玩法。
4、接下来是 O2O 和搜索引擎
你还记得上车之前，我问了你一个问题吗？
你在大众点评上看到的信息，真是吃货们点评的吗？
答：大部分时候是，但有时候不是。
这里面的影响因素还是爬虫。
小告诉我，这些爬虫很可能被用来做两件事：
1、大众点评毕竟是最好的点评网站。很多网站都会爬取大众点评的数据，用来丰富自己的信息。
2、很多刚上点评的商户，信誉值不高，可以用爬虫来模拟留言、点赞，刷高自己的信誉值。
所以，理论上讲一旦大众点评对这些爬虫对抗出现松懈，就会有一些不三不四的店铺被“刷”到顶部。
而与之相似的，是爬虫针对搜索引擎的进攻。
你可能了解，搜索引擎决定哪个网页排名靠前，（除了广告以外）主要一个指标就是看哪个搜索结果被人点击的次数更多。
既然这样，那么我就派出爬虫，搜索某个特定的“关键词”，然后在结果里拼命地点击某个链接，那么这个网站在搜索引擎的权重里自然就会上升。这个过程就叫做 SEO（搜索引擎优化）。
举个例子：
我随意搜索一个关键词。
它排在前面的网址，有可能就是经过 SEO 的。作为任何一个搜索引擎，都肯定不允许外人对于自己的搜索结果动手动脚，否则就会丧失公立性。它们会通过不定期调整算法来对抗 SEO。
尤其是很多赌博、黄色网站，搜索引擎如果敢收广告费让他们排到前面，那就离倒闭不远了。所以黄赌毒网站只能利用黑色 SEO，强行把自己刷到前面。直到被搜索引擎发现，赶紧对它们“降权”处理。不过小K算了算，这些黄色网站如果能把自己刷到前几位一两个小时，赚来的钱就远远超过 SEO 的费用。
这也就解释了为什么有时我们“众里寻他千百度”，蓦然回首，却看到“有人正在脱裤裤”了。
5、最后再说说政府部门
你看这张图，全是爬虫针对政府信息的爬取。
第二名，北京市预约挂号同一平台。这个锅，板上钉钉要号贩子来背。
其他的，例如法院公告、信用中国、信用安徽，为什么爬虫要爬这些信息呢？
因为有些信息，是只有政府部门才掌握的。
因为有些信息，是只有政府部门才掌握的。
比如，谁被告过，哪家公司曾经被行政处罚，哪个人曾经进入了失信名单。这些信息综合起来，可以用来做一个公司或者个人的信誉记录。
我试着打开了一下排名第四位的“信用中国”。
在这个平台上，你只要输入一个身份证号或者手机号，就可以查询到一个人的信用情况。拉到最底下一看，这个网站果然是是根红苗正的。
如果一家公司要对外做信誉库的服务，它必须先把信用中国的信息下载到自己的库里，然后才能和其他数据进行综合运算。
如此，信用中国被爬，也就很容易解释了。
不过刚才那张表格里，排名第七的是四川住建厅。这又是什么骚操作？
根据小k的推测，这很可能是某些公司提供的一项“特殊服务”：
他们把四川省各个地区的招标情况汇总起来，然后实时提醒那些房地产公司：别睡了，起来投标了。
二、爬虫战争
说了这么多，我猜你会有几个疑问。
问题 1、爬虫搞出这么多姿势，它究竟是不是违法呢？
这个问题还真的不简单。
我打开中国网安第一大法《网络安全法》仔细看了半小时，在里面没有发现“爬取网络公开信息被认定为违法”的条款。
于是我又继续搜索，发现了几条司法解释：
未经授权爬取用户手机通讯录超过50条记录；未经授权抓取用户淘宝交易记录超过500条；未经授权读取用户运营商网站通话记录超过500条；未经授权读取用户公积金社保记录的超过50000条的。以上这些情况可以入刑。
但是仔细看看，如果我只是用机器代替了人的手点击鼠标敲击键盘，接触的都是公开信息，并不触犯这些司法解释。（这只是我简单查询后的结果，不代表任何官方意见）
但是，对企业来说，爬虫却着实伤害了自己。有句话说：“主救自救者。”他们得组织“民兵”自己保卫自己。
问题 2、爬虫战争谁会赢？
爬虫和被爬企业越来越势不两立。
说白了，他们的对抗都是在阻挡对方的财路。所以下手都挺重。
企业经典的对抗方式，大概有几种：图片验证码、滑块验证、封禁 IP、给访问者增加一些加解密运算，耗费爬虫的程序资源等等。。。
这张图来自极验验证的滑块验证技术除了刚才这些小模块，企业还可以通过 WAF（Web 应用防火墙）来防护，WAF 的功能就是通过设置一些规则，拦截掉那些不符合规则的请求。
但是，爬虫的请求，和真人的请求真的太像了。
我觉得，对这种战争一个形象的比喻就是抗癌。癌细胞的目的就是拼命躲过免疫细胞的识别，而免疫细胞的目标就是拼命分辨哪个是好细胞哪个是癌细胞。
在我看来，这场对抗爬虫的常规战眼看就要升级为“智能战”，而且战线会向云端转移。
比如腾讯云的 WAF，听说最近就要通过人工智能的方法来识别爬虫。这里就不帮他们打广告了。还有很多其他的云安全厂商，也开始主推反爬虫的技术。
不过，就像人类目前难以消灭癌症一样，企业也难以完全消灭爬虫。但是我相信，在对抗中这条战线会达到一个精妙的平衡。这个战线每向前推进一步，都需要安全研究员付出艰辛的努力。
三、《中国焦虑图鉴》
最后，中哥帮你搞到了一张秘密表格。
这是被监测到的受爬虫侵扰最多的 Top50。（采样数据，仅供参考）
这张表里，除了google、Youtube、ask、亚洲航空这四家企业之外，应该全是中国企业（或机关）。正是从这些名字背后，我体会到了很多人的辛酸和焦虑。
爬虫是趋利的，它们永远会向有利益的地方爬行。而爬虫觉得有利益的地方，往往是我们不忍提及的隐痛。
你看，排名第1的“中国铁路路客户服务中心”
无数像幺哥一样的游子，他们奋斗在一个远离家乡的城市，为了让家人有更幸福的生活。正是他们难以买到过年回家车票的事实，才把 12306 推上了爬虫榜的第一名。
你看，排名第8的“最高人民法院公告查询”
在中国，我们的信用体系还很不完善，骗子和老赖还可以继续蒙骗新人。所以才催生了爬虫收集法院公告，形成民间信用记录的服务。
你看，排名第15的“北京市预约挂号统一平台”
我们的医疗改革在进行，但像你我一样的普通人仍然看病难，看病贵。又便宜又好的医疗资源需要争夺，这才有了“一号难求”的现实，才有了黄牛用爬虫拼命抢号的现象。
自不用说那些神坑的虚假广告，冲榜刷量，背后都有爬虫的影子。
有人说技术有罪，有人说技术无罪。
我不知道技术是否有罪，我只知道，这些盘踞在我们广袤版图上数以十亿计的爬虫，无时无刻不在提醒着我们：
抱怨不会让这个世界变得更好，你想生活在一个怎样的世界，就要用自己的双手去创造它。
相关文章
发表评论
