這里有三個問題：
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，然后才出現(xiàn)在你的推薦里的嗎？
2. 你以為你在百度上搜索到的信息，真的是百度想讓你看到的嗎？（注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(fā)生的嗎？
每年總有那么幾天，幺哥會心情焦慮，坐立不安。那是因為，他又要準備搶回家的火車票了。幺哥家在湖南，離北京上千公里。他是家里的獨子，每年買到火車票準時出現(xiàn)在家門口是他的 " 義務(wù) "。
這兩年，他的救命稻草是一個叫做 " 智行火車票 " 的搶票軟件。他在打折的時候買了會員。據(jù)說會員是有特權(quán)的：哪怕只搶到一張票，都會優(yōu)先給他。（起碼幺哥是這樣安慰自己的。）
從技術(shù)上說，幺哥的救命稻草不是搶票軟件，而是搶票軟件背后，無數(shù)個叫做 " 爬蟲 " 的東西。
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(wǎng)站溜達，點點按鈕，查查數(shù)據(jù)，或者把看到的信息背回來。就像一只蟲子在一幢樓里不知疲倦地爬來爬去。
你每天使用的百度，其實就是利用了這種爬蟲技術(shù)：每天放出無數(shù)爬蟲到各個網(wǎng)站，把他們的信息抓回來，然后化好淡妝排著小隊等你來檢索；搶票軟件，也相當于撒出去無數(shù)個分身，每一個分身都幫助你不斷刷新 12306 網(wǎng)站的火車余票。
正好在上周末，一位黑客盆友御風神秘兮兮地給我發(fā)來一份《中國爬蟲圖鑒》，這哥們在某安全實驗室主要負責加班，順便和同事們開發(fā)了很多黑科技。比如他們搞了一個威脅情報系統(tǒng)，號稱能探測到全世界的 " 爬蟲 " 都在做什么。
我打開《圖鑒》，一分鐘以后，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(wǎng)絡(luò)上，已經(jīng)密密麻麻爬滿了各種網(wǎng)絡(luò)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。看到最后，我發(fā)現(xiàn)這哪里是《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(guān)。
一、爬蟲的 " 騷操作 "
爬蟲也分善惡。
像谷歌這樣的搜索引擎爬蟲，每隔幾天對全網(wǎng)的網(wǎng)頁掃一遍，供大家查閱，各個被掃的網(wǎng)站大都很開心。這種就被定義為 " 善意爬蟲 "。
但是，像搶票軟件這樣的爬蟲，對著 12306 每秒鐘恨不得擼幾萬次，鐵總并不覺得很開心。這種就被定義為 " 惡意爬蟲 "。（注意，搶票的你覺得開心沒用，被掃描的網(wǎng)站覺得不開心，它就是惡意的。）
給你看一張圖：
這張圖里顯示的，就是各行各業(yè)被爬 " 叨擾 " 的比例。（這張圖顯示是全世界，不是全中國。）而每一個色塊背后，都是一條真實而強大的利益鏈條。
1. 排名第一的是出行
出行行業(yè)中爬蟲的占比最高（20.87%）。在出行的爬蟲中，有 89.02% 的流量都是沖著 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 " 么？
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（也就是搶票軟件）的點擊。剛才說了，爬蟲只會簡單的機械點擊，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(xiàn)在還可以用搶票軟件搶到票啊。
沒錯。搶票軟件也不是吃素的。它們在和鐵總搞 " 對抗 "。有一種東西叫做 " 打碼平臺 "，你可以了解一下。
打碼平臺雇傭了很多叔叔阿姨，他們在電腦屏幕前不做別的事情，專門幫人識別驗證碼。那邊搶票軟件遇到了驗證碼，系統(tǒng)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，然后再把結(jié)果傳回去。總共的過程用不了幾秒時間。
這樣的打碼平臺還有記憶功能。如果叔叔阿姨已經(jīng)標記了這張圖是 " 鍋鏟 "，那么下次這張圖片再出現(xiàn)的時候，系統(tǒng)就直接判斷它是 " 鍋鏟 "。時間一長，12306 系統(tǒng)里的圖片就被標記完了，機器自己都能認識。
你可能會問：為什么 12306 這么 " 摳 " 呢？它大方地讓爬蟲隨意爬會死嗎？
會死。
你知道每年過年之前，12306 被點成什么樣了嗎？公開數(shù)據(jù)是這么說的：" 最高峰時 1 天內(nèi)頁面瀏覽量達 813.4 億次，1 小時最高點擊量 59.3 億次，平均每秒 164.8 萬次。" 這還是加上驗證碼防護之后的數(shù)據(jù)。可想而知被攔截在外面的爬蟲還有多少。
鐵路被爬蟲 " 點雞 " 成這樣已經(jīng)夠慘了，但它還有個難兄難弟，就是航空。航空軟件里，被搞得最慘的不是國航，不是海航也不是東航，而是亞航。
航空類爬蟲的分布比例
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游勝地，飛機上連礦泉水都得自費買，是屌絲度假之首選。
為什么爬蟲這么青睞亞航呢？因為它便宜。確切地說，因為它經(jīng)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游客，但這里面黃牛黨是有利可圖的。
據(jù)我所知，他們是這樣玩的：
技術(shù)宅黃牛黨們利用爬蟲，不斷刷新亞航的票務(wù)接口，一旦出現(xiàn)便宜的票，不管三七二十一先拍下來再說。
亞航有規(guī)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(xù)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，如此循環(huán)。直到有人從黃牛黨這里定了這個票，黃牛黨就接著利用程序，在亞航系統(tǒng)里放棄這張票，然后 0.00001 秒之后，就幫你用你的名字預(yù)定了這張票。
2. 排名第二的是社交
社交的爬蟲重災(zāi)區(qū)，就是你們喜聞樂見的微博。
給你看張圖：
爬蟲經(jīng)常光顧的微博地址
這里的代碼其實指向了微博的一個接口。它可以用來獲取某個人的微博列表、微博的狀態(tài)、索引等等。
獲得這些，能搞出什么騷操作呢？
你想想看，如果我能隨心所欲地指揮一幫機器人，打開某人的微博，然后刷到某一條，然后瘋狂關(guān)注、點贊或者留言，這不就是標準的僵尸粉工作的流程么 ......
其實，僵尸粉都只是爬蟲的常規(guī)操作，更騷的來了：
1）我是一個路人甲，我的微博沒人關(guān)注，我用大量的爬蟲，給自己做了十萬人的僵尸粉，一群僵尸在我的微博下面點贊評論；
2）我去找一個游戲廠商，讓他在我這投廣告吧。我發(fā)一條游戲的注冊鏈接，每有一個人通過我的鏈接注冊了游戲，游戲廠商就給我一毛錢；
3）十萬爬蟲繼續(xù)前赴后繼地點擊注冊鏈接，然后自動去完成注冊動作。
（以上數(shù)據(jù)不一定和現(xiàn)實吻合，只是展現(xiàn)一個邏輯。具體操作也會更復(fù)雜。）
同樣的，十萬僵尸粉去搶你家愛豆在微博上發(fā)的紅包，都是一樣的道理。
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?nèi)ヌ詫毶希巡煌W(wǎng)站的產(chǎn)品的圖片和價格統(tǒng)統(tǒng)扒下來，然后在自己這里展示。
這個原理和谷歌差不多。只不過他們展示的不是網(wǎng)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 ......
然而，由于機器爬蟲模擬的是人的點擊，電商很難阻止這類事情發(fā)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，你肯定沒心情剁手了。
當然，電商對抗爬蟲有另外的方法，那就是 "web 應(yīng)用防火墻 "，簡稱 WAF。這個我們后面再單獨說。
說到這，有人會有個疑問：那些聚合平臺，自己寫爬蟲，然后幫助淘寶京東賣貨，他們的名字叫雷鋒么？
醒醒啊同學，這里隨便給你說一下這種聚合電商平臺的盈利模式：
1）假設(shè)幾家店鋪都賣杜蕾斯，但是用戶在我這里搜索 " 杜蕾斯 " 的時候，我是有權(quán)利決定誰的店鋪在前面誰在后面。誰給的錢多，我就讓誰在搜索的前面。（注意，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(nèi)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(wǎng)頁上展示獨立的廣告。訪問你網(wǎng)站的用戶，看到頁面上的廣告，也有可能會點擊。每點擊一次，你就賺一次錢。
3）你還可以作為中間商，收點中介費。你幫店家賣貨，店家會進行返利。這種套路，就是 " 返利網(wǎng) " 這類平臺的玩法。
4. 接下來是 O2O 和搜索引擎
還記得開頭我問的幾個問題：你在大眾點評上看到的信息，真是吃貨們點評的嗎？
答：大部分時候是，但有時候不是。這里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）大眾點評是點評網(wǎng)站，內(nèi)容比較全面，很多網(wǎng)站都會爬取大眾點評的數(shù)據(jù)，用來豐富自己的信息。
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(xiàn)松懈，就會有一些并不怎么樣的店鋪被 " 刷 " 到頂部。
與之相似的，是爬蟲針對搜索引擎的進攻。
你可能了解，搜索引擎決定哪個網(wǎng)頁排名靠前，（除了廣告以外）主要一個指標就是看哪個搜索結(jié)果被人點擊的次數(shù)更多。
既然這樣，那么我就派出爬蟲，搜索某個特定的 " 關(guān)鍵詞 "，然后在結(jié)果里拼命地點擊某個鏈接，那么這個網(wǎng)站在搜索引擎的權(quán)重里自然就會上升。這個過程就叫做 SEO（搜索引擎優(yōu)化）。
舉個例子：我隨意搜索一個關(guān)鍵詞。
它排在前面的網(wǎng)址，有可能就是經(jīng)過 SEO 的。作為任何一個搜索引擎，都肯定不允許外人對于自己的搜索結(jié)果動手動腳，否則就會喪失公立性。它們會通過不定期調(diào)整算法來對抗 SEO。
尤其是很多賭博、黃色網(wǎng)站，搜索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(wǎng)站只能利用黑色 SEO，強行把自己刷到前面。直到被搜索引擎發(fā)現(xiàn)，趕緊對它們 " 降權(quán) " 處理。不過御風算了算，這些黃色網(wǎng)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。
5. 最后是政府部門網(wǎng)站
你看這張圖，全是爬蟲針對政府信息的爬取。
第二名，北京市預(yù)約掛號統(tǒng)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，為什么爬蟲要爬這些信息呢？因為有些信息，是只有政府部門才掌握的。
比如，誰被告過，哪家公司曾經(jīng)被行政處罰，哪個人曾經(jīng)進入了失信名單。這些信息綜合起來，可以用來做一個公司或者個人的信譽記錄。
我試著打開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。而這個網(wǎng)站正是屬于政府機構(gòu)的。
如果一家公司要對外做信譽庫的服務(wù)，它必須先把信用中國的信息下載到自己的庫里，然后才能和其他數(shù)據(jù)進行綜合運算。如此，信用中國被爬，也就很容易解釋了。
剛才那張表格里，排名第七的是四川住建廳。根據(jù)御風的推測，這很可能是某些公司提供的一項 " 特殊服務(wù) "：他們把四川省各個地區(qū)的招標情況匯總起來，然后實時提醒那些房地產(chǎn)公司 " 別睡了，起來投標了 "。
二、爬蟲戰(zhàn)爭
說了這么多，我猜你會有幾個疑問。
1. 爬蟲搞出這么多姿勢，它究竟是不是違法呢？
我打開中國網(wǎng)安第一大法《網(wǎng)絡(luò)安全法》仔細看了半小時，在里面沒有發(fā)現(xiàn) " 爬取網(wǎng)絡(luò)公開信息被認定為違法 " 的條款。
繼續(xù)搜索，我又發(fā)現(xiàn)了幾條司法解釋：
未經(jīng)授權(quán)爬取用戶手機通訊錄超過 50 條記錄；未經(jīng)授權(quán)抓取用戶淘寶交易記錄超過 500 條；未經(jīng)授權(quán)讀取用戶運營商網(wǎng)站通話記錄超過 500 條；未經(jīng)授權(quán)讀取用戶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擊鼠標敲擊鍵盤，接觸的都是公開信息，并不觸犯這些司法解釋。（這只是我簡單查詢后的結(jié)果，不代表任何官方意見）
但是，對企業(yè)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(wèi)自己。
2. 爬蟲戰(zhàn)爭誰會贏？
爬蟲和被爬企業(yè)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(yè)經(jīng)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，耗費爬蟲的程序資源等等。
極驗驗證的滑塊驗證技術(shù)
除了剛才這些小模塊，企業(yè)還可以通過 WAF（Web 應(yīng)用防火墻）來防護，WAF 的功能就是通過設(shè)置一些規(guī)則，攔截掉那些不符合規(guī)則的請求。
但是，爬蟲的請求，和真人的請求太像了。
我覺得，對這種戰(zhàn)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，而免疫細胞的目標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(guī)戰(zhàn)眼看就要升級為 " 智能戰(zhàn) "，而且戰(zhàn)線會向云端轉(zhuǎn)移。最近一些云安全廠商，已經(jīng)在計劃通過人工智能的方法來識別爬蟲，主推反爬蟲的技術(shù)。
不過，就像人類目前難以消滅癌癥一樣，企業(yè)也難以完全消滅爬蟲。但是我相信，在對抗中這條戰(zhàn)線會達到一個精妙的平衡。這個戰(zhàn)線每向前推進一步，都需要安全研究員付出艱辛的努力。
三、《中國焦慮圖鑒》
最后，中哥幫你搞到了一張表格。這是被監(jiān)測到的受爬蟲侵擾最多的 Top50。（采樣數(shù)據(jù)，僅供參考）
這張表里，除了 google、Youtube、ask、亞洲航空這四家企業(yè)之外，應(yīng)該全是中國企業(yè)（或機關(guān)）。正是從這些名字背后，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。
排名第 1 的是 " 中國鐵路路客戶服務(wù)中心 "。無數(shù)像幺哥一樣的游子，他們奮斗在一個遠離家鄉(xiāng)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。
排名第 8 的是 " 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(xù)蒙騙新人。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(wù)。
排名第 15 的是 "北京市預(yù)約掛號統(tǒng)一平臺 "。我們的醫(yī)療改革在進行，但像你我一樣的普通人仍然看病難。又便宜又好的醫(yī)療資源需要爭奪，這才有了 " 一號難求 " 的現(xiàn)實，才有了黃牛用爬蟲拼命搶號的現(xiàn)象。
自不用說那些神坑的虛假廣告，沖榜刷量，背后都有爬蟲的影子。
有人說技術(shù)有罪，有人說技術(shù)無罪。
我不知道技術(shù)是否有罪，我只知道，這些盤踞在我們廣袤版圖上數(shù)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(chuàng)造它。
【來源：虎嗅APP】
