知識星球
導讀：今天爬這個，明天爬那個，你考慮過被爬者的感受嗎？
作者：史中
本文由公眾號淺黑科技（ID：qianheikeji）授權轉載。
來不及了，快上車。上車前，中哥先問你三個問題：
1、你以為你在大眾點評上找到的館子，真的是幾百個人給了好評，然後才出現在你的推薦裡的嗎？
2、你以為你在百度上搜索到的資訊，真的是百度想讓你看到的嗎？（註意體會這句話的意思，不是日常黑百度）
3、你以為在微博上看到的熱搜話題大V互動，真的都是真實發生的嗎？
好，確認過眼神，我們準備發車了。
我和么哥坐在 床 窗邊喝茶，他看著窗外的陰霾，聯想起了辛酸往事。
每年總有那麼幾天，么哥會心情焦慮，坐立不安，腰膝乏力，濕身盜汗。那是因為，他又要準備搶回家的火車票了。
么哥家在湖南，離北京上千公里。他是家裡的獨子，每年買到火車票準時出現在家門口是他的“義務”。
這兩年，他的救命稻草是一個叫做“智行火車票”的搶票軟體。他在打折的時候買了會員。據說會員是有特權的：哪怕只搶到一張票，都會優先給他。（起碼么哥是這樣安慰自己的。）
從技術上說，么哥的救命稻草不是搶票軟體，而是搶票軟體背後，無數個叫做“爬蟲”的東西。
說到這，中哥就得給你介紹今天的新朋友：爬蟲。
等等，圖片錯了，應該是這樣的爬蟲：
爬蟲就是一個探測機器，它的基本操作就是模擬人的行為去各個網站溜達，點點按鈕，查查資料，或者把看到的資訊揹回來。就像一隻蟲子在一幢樓裡不知疲倦地爬來爬去。
你可以簡單地想象：每個爬蟲都是你的“分身”。就像孫悟空拔了一撮汗毛，吹出一堆猴子一樣。
你每天使用的百度，其實就是利用了這種爬蟲技術：每天放出無數爬蟲到各個網站，把他們的資訊抓回來，然後化好淡妝排著小隊等你來檢索。
搶票軟體，就相當於撒出去無數個分身，每一個分身都幫助你不斷掃清 12306 網站的火車餘票。一旦發現有票，就馬上拍下來，然後對你喊：土豪塊來付款。
正好在上週末，一位駭客盆友御風神秘兮兮地給我發來一份《中國爬蟲圖鑒》，這哥們在騰訊雲鼎實驗室主要負責加班，順便和同事們開發了很多黑科技。比如他們搞了一個威脅情報系統，號稱能探測到全世界的“爬蟲”都在做什麼。
我吹著口哨開啟《圖鑒》，但一分鐘以後，我整個人都不好了。
我看到了另一個“平行世界”：
就在我們身邊的網路上，已經密密麻麻爬滿了各種網路爬蟲，它們善惡不同，各懷心思。而越是每個人切身利益所在的地方，就越是爬滿了爬蟲。
看到最後，我發現這哪裡是《中國爬蟲圖鑒》，這分明是一份《中國焦慮圖鑒》。
我們今天要說的，就和這些 App 有關。
01 爬蟲的“騷操作”
爬蟲也分善惡。
像谷歌這樣的搜尋引擎爬蟲，每隔幾天對全網的網頁掃一遍，供大家查閱，各個被掃的網站大都很開心。這種就被定義為“善意爬蟲”。
但是，像搶票軟體這樣的爬蟲，對著 12306 每秒鐘恨不得擼幾萬次。鐵總並不覺得很開心。這種就被定義為“惡意爬蟲”。（註意，搶票的你覺得開心沒用，被掃描的網站覺得不開心，它就是惡意的。）
給你看一張圖：
這張圖裡顯示的，就是各行各業被爬“叨擾”的比例。（註意，這張圖顯示是全世界，不是全中國。）而每一個色塊背後，都是一條真實而強大的利益鏈條。
接下來，中哥就給你科普一下裡面的騷操作。
1、排名第一的是出行
出行行業中爬蟲的佔比最高（20.87%）。在出行的爬蟲中，有89.02%的流量都是衝著 12306 去的。這不意外，全中國賣火車票的獨此一家別無分號。
你還記得當年12306 上線王珞丹和白百何的“史上最坑圖片驗證碼”麼？
這些東西不是為了故意難為老老實實賣票的人的，而恰恰是為了阻止爬蟲（也就是搶票軟體）的點選。剛才說了，爬蟲只會簡單的機械點選，它不認識白百何，所以很大一部分爬蟲就被擋在了門外。
你可能會說，不對啊，我現在還可以用搶票軟體搶到票啊。
沒錯。搶票軟體也不是吃素的。它們在和鐵總搞“對抗”。
有一種東西叫做“打碼平臺”，你可以瞭解一下。
打碼平臺僱傭了很多叔叔阿姨，他們在電腦螢幕前不做別的事情，專門幫人識別驗證碼。那邊搶票軟體遇到了驗證碼，系統就會自動把這些驗證碼傳到叔叔阿姨面前，他們手工選好哪個是白百何哪個是王珞丹，然後再把結果傳回去。總共的過程用不了幾秒時間。
當然，這樣的打碼平臺還有記憶功能。如果叔叔阿姨已經標記了這張圖是“鍋鏟”，那麼下次這張圖片再出現的時候，系統就直接判斷它是“鍋鏟”。時間一長，12306 系統裡的圖片就被標記完了，機器自己都能認識，叔叔阿姨都可以坐在一邊鬥地主了。
你可能會問：為什麼 12306 這麼摳呢？它大方地讓爬蟲隨意爬會死嗎？
答：會死。
你知道每年過年之前，12306 被點成什麼樣了嗎？公開資料是這麼說的：“最高峰時1天內頁面瀏覽量達813.4億次，1小時最高點選量59.3億次，平均每秒164.8萬次。”這還是加上驗證碼防護之後的資料。可想而知被攔截在外面的爬蟲還有多少。
況且這裡還沒有討論，被搶票軟體把票搶走，對我們父母那樣的不會搶票的人來說，是不是公平呢？
鐵路被爬蟲“點雞”成這樣已經夠慘了，但它還有個難兄難弟，就是航空。
而航空裡，被搞得最慘的不是國航，不是海航，也不是東航。而是亞航。
▲航空類爬蟲的分佈比例
很多人可能都沒坐過亞洲航空。這是一家馬來西亞的廉價航空公司，航線基本都是從中國各地飛往東南亞的旅遊勝地，飛機上連礦泉水都得自費買，是屌絲窮X度假之首選。
為什麼爬蟲這麼青睞亞航呢？因為它便宜。確切地說，因為它經常放出便宜的票。
本來，亞航的初衷只是隨機放出一些便宜的票來吸引遊客，但這裡面黃牛黨是有利可圖的。
據我所知，他們是這樣玩的：
技術宅黃牛黨們利用爬蟲，不斷掃清亞航的票務介面，一旦出現便宜的票，不管三七二十一先拍下來再說。
亞航有規定，你拍下來半小時（具體時間記不清了）不付款票就自動回到票池，繼續賣。但是黃牛黨們在爬蟲腳本里寫好了精確的時間，到了半小時，一毫秒都不多，他又把票拍下來，如此迴圈。直到有人從黃牛黨這裡定了這個票，黃牛黨就接著利用程式，在亞航系統裡放棄這張票，然後0.00001秒之後，就幫你用你的名字預定了這張票。
“我是中間商，我就要賺差價！”這波騷操作，堪稱完美。
2、排名第二的是社交
社交的爬蟲重災區，就是你們喜聞樂見的微博。
給你看張圖：
▲這是爬蟲經常光顧的微博地址
這裡的程式碼其實指向了微博的一個介面。它可以用來獲取某個人的微博串列、微博的狀態、索引等等等等。
獲得這些，能搞出什麼騷操作呢？
你想想看，如果我能隨心所欲地指揮一幫機器人，開啟某人的微博，然後刷到某一條，然後瘋狂關註、點贊或者留言，這不就是標準的僵屍粉上班兒的流程麼。。。
其實，僵屍粉都只是爬蟲的常規操作，更騷的來了：
1、我是一個路人甲，我的微博沒人關註，我用大量的爬蟲，給自己做了十萬人的僵屍粉，一群僵屍在我的微博下麵點贊評論，不亦樂乎。
2、我去找一個遊戲廠商，跟他說：你看我有這麼多粉絲，你在我這投廣告吧。我幫你發一條遊戲的註冊連結，每有一個人透過我的連結註冊了遊戲，你就給我一毛錢。廣告主說，不錯，就這麼辦。
3、我發出註冊連結，然後沒人點。。。
4、不慌，我讓十萬爬蟲繼續前赴後繼地點選註冊連結，然後自動去完成註冊動作。
5、我躺在床上，數著賺來的一萬塊錢。
（以上資料不一定和現實吻合，只是展現一個邏輯。具體操作也會更複雜。）
還有更騷的麼？有的。
你家愛豆不是經常在微博上發紅包麼？好的，我率十萬僵屍粉去搶。
憑本事搶來的紅包，就問你有什麼不妥嗎？
3、排名第三的是電商
你回憶一下，有幾種東西叫做“比價平臺”“聚合電商”和“返利平臺”。他們大體都是一個原理：
你搜索一樣商品，這類聚合平臺就會自動把各個電商的商品都放在你面前供你選擇。有淘寶、京東，還有唯品會蘇寧易購。
這就是爬蟲的功勞。它們去淘寶上，把胖次襪子杜蕾斯的圖片和價格統統扒下來，然後在自己這裡展示。
這個原理和谷歌差不多。只不過他們展示的不是網頁而是商品。但是被放在一起比價，淘寶是拒絕的，京東也是拒絕的啊。。。
然鵝，由於機器爬蟲模擬的是人的點選，電商很難阻止這類事情發生。他們甚至都不能向12306學習。你想想看，如果你每點開一個商品詳情，淘寶都讓你先分辨一次白百何和王珞丹，你肯定沒心情剁手，沒準還要提刀去剁馬雲呢。。。
當然，電商對抗爬蟲有另外的方法，那就是“web 應用防火牆”，簡稱 WAF。這個我們後面再單獨說。
說到這，有童鞋會有個疑問：
那些聚合平臺，自己寫爬蟲，然後幫助淘寶京東賣貨，他們的名字叫雷鋒麼？
醒醒啊同學，雷鋒叔叔已經走了很多年了。我隨便給你說一下這種聚合電商平臺的盈利樣式：
1、假設幾家店鋪都賣杜蕾斯，但是使用者在我這裡搜尋“杜蕾斯”的時候，我是有權利決定誰的店鋪在前面誰在後面的啊。誰給的錢多，我就讓誰在搜尋的前面唄。@百度君，你說說是不是這個道理？（註意，每個店鋪和淘寶平臺可不是一致行動人。淘寶平臺不希望自己的內容被聚合平臺抓取，但每個店鋪可是很樂意多一個渠道幫他們賣貨的。）
2、如果你覺得搞競價排名良心會痛，也可以用更簡單的方式——在網頁上展示獨立的廣告。訪問你網站的使用者，看到頁面上的廣告，也有可能會點選。每點選一次，你就賺一次錢。
3、你還可以作為中間商，收點中介費。我幫你店家賣貨了，你是不是要給我意思意思。除了給我意思意思，你還得給來買東西的使用者意思意思。這種套路，就是“返利網”這類平臺的玩法。
4、接下來是 O2O 和搜尋引擎
你還記得上車之前，我問了你一個問題嗎？
你在大眾點評上看到的資訊，真是吃貨們點評的嗎？
答：大部分時候是，但有時候不是。
這裡面的影響因素還是爬蟲。
御風告訴我，這些爬蟲很可能被用來做兩件事：
1、大眾點評畢竟是最好的點評網站。很多網站都會爬取大眾點評的資料，用來豐富自己的資訊。
2、很多剛上點評的商戶，信譽值不高，可以用爬蟲來模擬留言、點贊，刷高自己的信譽值。
所以，理論上講一旦大眾點評對這些爬蟲對抗出現鬆懈，就會有一些不三不四的店鋪被“刷”到頂部。
而與之相似的，是爬蟲針對搜尋引擎的進攻。
你可能瞭解，搜尋引擎決定哪個網頁排名靠前，（除了廣告以外）主要一個指標就是看哪個搜尋結果被人點選的次數更多。
既然這樣，那麼我就派出爬蟲，搜尋某個特定的“關鍵詞”，然後在結果裡拼命地點選某個連結，那麼這個網站在搜尋引擎的權重裡自然就會上升。這個過程就叫做 SEO（搜尋引擎最佳化）。
舉個例子：
我隨意搜尋一個關鍵詞。
它排在前面的網址，有可能就是經過 SEO 的。作為任何一個搜尋引擎，都肯定不允許外人對於自己的搜尋結果動手動腳，否則就會喪失公立性。它們會透過不定期調整演演算法來對抗 SEO。
尤其是很多賭博、黃色網站，搜尋引擎如果敢收廣告費讓他們排到前面，那就離倒閉不遠了。所以黃賭毒網站只能利用黑色 SEO，強行把自己刷到前面。直到被搜尋引擎發現，趕緊對它們“降權”處理。不過御風算了算，這些黃色網站如果能把自己刷到前幾位一兩個小時，賺來的錢就遠遠超過 SEO 的費用。
這也就解釋了為什麼有時我們“眾裡尋他千百度”，驀然迴首，卻看到“有人正在脫褲褲”了。
5、最後再說說政府部門
你看這張圖，全是爬蟲針對政府資訊的爬取。
第二名，北京市預約掛號同一平臺。這個鍋，板上釘釘要號販子來背。
其他的，例如法院公告、信用中國、信用安徽，為什麼爬蟲要爬這些資訊呢？
因為有些資訊，是隻有政府部門才掌握的。
比如，誰被告過，哪家公司曾經被行政處罰，哪個人曾經進入了失信名單。這些資訊綜合起來，可以用來做一個公司或者個人的信譽記錄。
我試著開啟了一下排名第四位的“信用中國”。
在這個平臺上，你只要輸入一個身份證號或者手機號，就可以查詢到一個人的信用情況。拉到最底下一看，這個網站果然是是根紅苗正的。
如果一家公司要對外做信譽庫的服務，它必須先把信用中國的資訊下載到自己的庫裡，然後才能和其他資料進行綜合運算。
如此，信用中國被爬，也就很容易解釋了。
不過剛才那張表格裡，排名第七的是四川住建廳。這又是什麼騷操作？
根據御風的推測，這很可能是某些公司提供的一項“特殊服務”：
他們把四川省各個地區的招標情況彙總起來，然後實時提醒那些房地產公司：別睡了，起來投標了。
02 爬蟲戰爭
說了這麼多，我猜你會有幾個疑問。
問題 1、爬蟲搞出這麼多姿勢，它究竟是不是違法呢？
這個問題還真的不簡單。
我開啟中國網安第一大法《網路安全法》仔細看了半小時，在裡面沒有發現“爬取網路公開資訊被認定為違法”的條款。
於是我又繼續搜尋，發現了幾條司法解釋：
未經授權爬取使用者手機通訊錄超過50條記錄；未經授權抓取使用者淘寶交易記錄超過500條；未經授權讀取使用者運營商網站通話記錄超過500條；未經授權讀取使用者公積金社保記錄的超過50000條的。以上這些情況可以入刑。
但是仔細看看，如果我只是用機器代替了人的手點選滑鼠敲擊鍵盤，接觸的都是公開資訊，並不觸犯這些司法解釋。（這隻是我簡單查詢後的結果，不代表任何官方意見）
但是，對企業來說，爬蟲卻著實傷害了自己。有句話說：“主救自救者。”他們得組織“民兵”自己保衛自己。
問題 2、爬蟲戰爭誰會贏？
爬蟲和被爬企業越來越勢不兩立。
說白了，他們的對抗都是在阻擋對方的財路。所以下手都挺重。
企業經典的對抗方式，大概有幾種：圖片驗證碼、滑塊驗證、封禁 IP、給訪問者增加一些加解密運算，耗費爬蟲的程式資源等等。。。
▲這張圖來自極驗驗證的滑塊驗證技術
除了剛才這些小模組，企業還可以透過 WAF（Web 應用防火牆）來防護，WAF 的功能就是透過設定一些規則，攔截掉那些不符合規則的請求。
但是，爬蟲的請求，和真人的請求真的太像了。
我覺得，對這種戰爭一個形象的比喻就是抗癌。癌細胞的目的就是拼命躲過免疫細胞的識別，而免疫細胞的標的就是拼命分辨哪個是好細胞哪個是癌細胞。
在我看來，這場對抗爬蟲的常規戰眼看就要升級為“智慧戰”，而且戰線會向雲端轉移。
比如騰訊雲的 WAF，聽說最近就要透過人工智慧的方法來識別爬蟲。這裡就不幫他們打廣告了。還有很多其他的雲安全廠商，也開始主推反爬蟲的技術。
不過，就像人類目前難以消滅癌症一樣，企業也難以完全消滅爬蟲。但是我相信，在對抗中這條戰線會達到一個精妙的平衡。這個戰線每向前推進一步，都需要安全研究員付出艱辛的努力。
03 《中國焦慮圖鑒》
最後，中哥幫你搞到了一張秘密表格。
這是被監測到的受爬蟲侵擾最多的 Top50。（取樣資料，僅供參考）
這張表裡，除了google、Youtube、ask、亞洲航空這四家企業之外，應該全是中國企業（或機關）。正是從這些名字背後，我體會到了很多人的辛酸和焦慮。
爬蟲是趨利的，它們永遠會向有利益的地方爬行。而爬蟲覺得有利益的地方，往往是我們不忍提及的隱痛。
你看，排名第1的“中國鐵路路客戶服務中心”
無數像么哥一樣的遊子，他們奮鬥在一個遠離家鄉的城市，為了讓家人有更幸福的生活。正是他們難以買到過年回家車票的事實，才把 12306 推上了爬蟲榜的第一名。
你看，排名第8的“最高人民法院公告查詢”
在中國，我們的信用體系還很不完善，騙子和老賴還可以繼續矇騙新人。所以才催生了爬蟲收集法院公告，形成民間信用記錄的服務。
你看，排名第15的“北京市預約掛號統一平臺”
我們的醫療改革在進行，但像你我一樣的普通人仍然看病難，看病貴。又便宜又好的醫療資源需要爭奪，這才有了“一號難求”的現實，才有了黃牛用爬蟲拼命搶號的現象。
自不用說那些神坑的虛假廣告，沖榜刷量，背後都有爬蟲的影子。
有人說技術有罪，有人說技術無罪。
我不知道技術是否有罪，我只知道，這些盤踞在我們廣袤版圖上數以十億計的爬蟲，無時無刻不在提醒著我們：
抱怨不會讓這個世界變得更好，你想生活在一個怎樣的世界，就要用自己的雙手去創造它。
關於作者：再自我介紹一下吧。我叫史中，是一個傾心故事的科技記者。我的日常是和各路大神聊天。如果想和我做朋友，可以關註微博：@史中方槍槍，或者搜尋微信：shizhongst。
更多精彩
在公眾號後臺對話方塊輸入以下關鍵詞
檢視更多優質內容！
PPT | 報告 | 讀書 | 書單 | 乾貨
Python | 機器學習 | 深度學習 | 神經網路
區塊鏈 | 揭秘 | 高考 | 福利
猜你想看
Q: Top50裡，你最想爬哪個？
歡迎留言與大家分享
覺得不錯，請把這篇文章分享給你的朋友
轉載 / 投稿請聯絡：baiyu@hzbook.com
更多精彩，請在後臺點選“歷史文章”檢視
