文章目录

• 爬虫图鉴
• 1.三个问题
• 2.互联网上的爬虫
• • 2.1豪哥与爬虫
  • 2.2爬虫简介
  • 2.3APP身边的爬虫
  • 2.4爬虫排名
  • • 1、排名第一的是出行
    • 2、排名第二的是社交。
    • 3、排名第三的是电商。
    • 4、接下来是 O2O 和搜索引擎。
    • 5、最后再说说政府部门。
    • 3.关于爬虫的几点疑问
    • 4.爬虫的TopN

      爬虫图鉴

      本文案例来源于某机构内部课程课，一直没有公开发布，直到最近看到，貌似该机构的很多资源都被人盗用，应该是出现了某些情况，顾公开发布。如有侵权请及时联系我。

      1.三个问题

      在开始今天的课程前，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？

      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？些问题有什么深层次的原因吗？

      当然，看完今天的内容你自然就会明白了，准备好，我们要发车了。

      

      2.互联网上的爬虫

      2.1豪哥与爬虫

      我有一个朋友叫豪哥，每年总有那么几天，豪哥会心情焦虑，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。豪哥家在湖南，离北京上千公里，每年准时回家是他的“义务”。

      这两年，他的救命稻草是抢票软件。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。（起码豪哥是这样安慰自己的。）

      从技术上说，豪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：

      

      2.2爬虫简介

      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：土豪快来付款。

      2.3APP身边的爬虫

      正好在上周末，一位黑客盆友神秘兮兮地给我发来一份报告，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。

      我吹着口哨打开报告，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。

      

      我们今天要说的，就和这些 App 有关。

      2.4爬虫排名

      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。）

      

      这张图里显示的，就是各行各业被爬虫“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，小K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“消防栓”，那么下次这张图片再出现的时候，系统就直接判断它是“消防栓”。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，是不是不公平呢。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。

      

      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，是我等屌丝度假之首选。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。

      

      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

      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，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XXX，但是用户在我这里搜索“XXX”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。（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。

      你还记得开始之前，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。告诉你，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。

      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。

      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。

      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。

      3.关于爬虫的几点疑问

      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。。。

      

      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。

      4.爬虫的TopN

      最后，小K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”。无数像豪哥一样的游子，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。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。