专栏丨当代“爬虫”现状

一、“爬虫”是什么

大东：小白，身为计算机学科的学生，“网络爬虫”你应该不陌生吧？

小白：那当然了，写的最多的就是“爬虫”程序了。

大东：既然你这么熟悉，能给我讲讲什么是“爬虫”么？

小白：当然能，终于有一天能给大东动反向传播知识啦，哈哈哈！“网络爬虫”就是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本，能够把网站上的信息收集回来，并且能在网站之间游走。

大东：没错。随着网络的迅速发展，万维网成为大量信息的载体，如何有效地提取并利用这些信息成为一个巨大挑战，搜素引擎就是一种典型的“爬虫”应用，它每隔几天对全网的网页扫一遍，以便大家查阅，被扫网站也乐意被收集。但是，小白你知道吗？“爬虫”也分善恶！

小白：我可没有写过恶意的“爬虫”，大东东你别看我。

大东：像抢票软件这样的“爬虫”，对着 12306 每秒扫几万次，被扫网站对它十分厌恶。

小白；哦，作为12306用户的我，也挺讨厌抢票软件的。

大东：那你知道网络世界这么多“爬虫”，都爱爬哪些网站？

小白：我猜...我猜不出来...求大东东指教！

网络爬虫（图片来自网络）

二、爬虫分布图

大东：根据“python技术客栈”公开的世界“网络爬虫”分析结果，爬虫最多的就是出行软件，比如前面所说的12306就是他们的目标之一；紧随其后的是社交软件、电商软件。

“爬虫”流量目标行业分布（图片来自网络）

小白：没想到“爬虫”种类还不少呢！

1、“爬虫”最大聚集地——出行软件

大东：出行行业中“爬虫”的占比最高，在出行的“爬虫”中，有89.02%的流量都是冲着 12306 去的。

小白：哇哦，全中国卖火车票的独此一家别无分号，也难怪呢。

大东：小白你有没有发现，12306的验证码比其他网站的更为复杂呢？

小白：没错，有时候我甚至觉得自己智商不够用了。

大东：这些东西不是为了故意难为卖票的普通用户，而恰恰是为了阻止抢票软件这种“爬虫”的点击。简单的“爬虫”无法正确识别复杂二维码，因此就能够被挡在门外。

小白：不对啊，可现在还是可以用抢票软件抢到票啊。

大东：没错。抢票软件也不是吃素的，它们在和12306搞“对抗”。“打码平台”，你听说过吗？

小白：那是啥？

大东：打码平台雇佣了很多叔叔阿姨，他们的工作就是帮人识别验证码。当抢票软件遇到了验证码，系统就会自动把这些验证码传到他们面前，以人工的方式完成识别，然后再把结果传回去。这期间总共只需要几秒时间。

小白：厉害了啊！

大东：这样的打码平台还有记忆功能，当遇到已经标记过的图，系统能直接判断它是验证答案。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，人工环节就可以省略了。

小白：人工击败数据库啊这是！

大东：每当过年前，就是12306最繁忙的时候。据公开数据表示：“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。

小白：天呐，我回家的票就是被他们抢走的。

大东：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？

小白：太过分了！

12306验证码（图片来自网络）

2、水军势力——社交软件“爬虫”

小白：社交软件也有什么可“爬”的么？

大东：你想，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……

小白：噢！僵尸粉！

大东：你想这个场景：一个路人甲的微博没人关注，于是用大量的“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。

小白：这有啥好乐的？

大东：接着，路人甲找到一个游戏厂商，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。

小白：那他发的注册链接，也没人点啊。

大东：路人甲不慌，又让十万“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。

小白：哇，这不是骗钱呢嘛！

大东：我只是举了个例子，数据不一定和现实吻合，具体操作也会更复杂。

小白：这种赚钱方式，太过分了！

大东：你再想象下这个场景：微博上经常有明星给粉丝发红包么，于是有人率十万僵尸粉去抢……

小白：难怪我每次打开都是“已抢完”啊！这些“爬虫”太过分啦！

3、购物“助手”——电商软件“爬虫”

大东：小白，你在网上购物是怎么挑选商品的呢？

小白：我就是在每个软件上搜索我要买的东西，然后一家一家对比。

大东：作为老网购人了，你竟然不知道有种东西叫做“比价网站”。

小白：还有这东西？

大东：在比价网站上，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，基本各大购物网站都能囊括在内。

小白：好东西呀，回头我试试！

大东：这就是“爬虫”的功劳。它们去各家电商软件上，把商品的图片和价格统统扒下来，然后在自己这里展示。

小白：电商网站知道自己被“爬”了吗？

大东：当然知道。然而电商网站是拒绝的，但是很难阻止这类事情发生。由于“爬虫”是模拟普通用户的点击行为，电商网站通常难以辨别机器行为，甚至都不能使用复杂验证码。

小白：是啊，如果每点开一个商品详情，就要做一次验证，还剁手呢，我都想剁了手机！不过为啥电商软件不喜欢被“爬”呢？

大东：对同一商品在单个电商软件内，它能决定哪个搜索结果排在前面，哪个在后面。但是如果用户一旦使用了比价平台，这个排名就失去了意义，电商软件就丧失了控制权。

小白：也是，断人财路，难怪不受欢迎。

三、“爬虫”合法吗？

小白：大东东你说了这么多，我有些疑惑了，难道爬虫一种违法行为么？

大东：这个问题还真的不简单，《网络安全法》里没有对“爬取网络公开信息被认定为违法”的条款，但是有条司法解释值得注意：“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。

小白：这个我可得注意注意，别一不小心违法乱纪啦。

大东：与被“爬”企业势不两立的爬虫，说白了，就是阻挡了对方的财路。企业也不会善罢甘休，经典的对抗方式，除了刚才说的验证码外，还有滑块验证、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。

小白：各显神通的对抗啊。