2018-07-26 10:27:12 創(chuàng)事記 微博 作者： 淺黑科技
歡迎關注“創(chuàng)事記”的微信訂閱號：sinachuangshiji
文/史中
來源：淺黑科技（qianheikeji）
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？
好，確認過眼神，我們準備發(fā)車了。-
我收到一份《中國焦慮圖鑒》
最近北京下暴雨，人們寸步難行。
我和幺哥坐在 床 窗邊喝茶，他看著窗外的陰霾，聯(lián)想起了辛酸往事。
每年總有那么幾天，幺哥會心情焦慮，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。
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”。
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。
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(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(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，就相當于撒出去無數(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。一旦發(fā)現(xiàn)有票，就馬上拍下來，然后對你喊：土豪塊來付款。
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》，這哥們在騰訊云鼎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。
我吹著口哨打開《圖鑒》，但一分鐘以后，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)絡上，已經(jīng)密密麻麻爬滿了各種網(wǎng)絡爬蟲，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。
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。（注意，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。
接下來，中哥就給你科普一下里面的騷操作。
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，然后再把結果傳回去�？偣驳倪^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(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，叔叔阿姨都可以坐在一邊斗地主了。
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？
答：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�！边@還是加上驗證碼防護之后的數(shù)據(jù)�？上攵粩r截在外面的爬蟲還有多少。
況且這里還沒有討論，被搶票軟件把票搶走，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(jīng)夠慘了，但它還有個難兄難弟，就是航空。
而航空里，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，是屌絲窮X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：
技術宅黃牛黨們利用爬蟲，不斷刷新亞航的票務接口，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(qū)，就是你們喜聞樂見的微博。
給你看張圖：
這是爬蟲經(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，然后瘋狂關注、點贊或者留言，這不就是標準的僵尸粉上班兒的流程么。。。
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，不亦樂乎。
2、我去找一個游戲廠商，跟他說：你看我有這么多粉絲，你在我這投廣告吧。我?guī)湍惆l(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，你就給我一毛錢。廣告主說，不錯，就這么辦。
3、我發(fā)出注冊鏈接，然后沒人點。。。
4、不慌，我讓十萬爬蟲繼續(xù)前赴后繼地點擊注冊鏈接，然后自動去完成注冊動作。
5、我躺在床上，數(shù)著賺來的一萬塊錢。
（以上數(shù)據(jù)不一定和現(xiàn)實吻合，只是展現(xiàn)一個邏輯。具體操作也會更復雜。）
還有更騷的么？有的。
你家愛豆不是經(jīng)常在微博上發(fā)紅包么？好的，我率十萬僵尸粉去搶。
憑本事?lián)寔淼募t包，就問你有什么不妥嗎？
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?nèi)ヌ詫毶�，把胖次襪子杜蕾斯的圖片和價格統(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。。。
然鵝，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，沒準還要提刀去剁馬云呢。。。
當然，電商對抗爬蟲有另外的方法，那就是“web 應用防火墻”，簡稱 WAF。這個我們后面再單獨說。
說到這，有童鞋會有個疑問：
那些聚合平臺，自己寫爬蟲，然后幫助淘寶京東賣貨，他們的名字叫雷鋒么？
醒醒啊同學，雷鋒叔叔已經(jīng)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模式：
1、假設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，我是有權利決定誰的店鋪在前面誰在后面的啊。誰給的錢多，我就讓誰在搜索的前面唄。@百度君，你說說是不是這個道理？（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。我?guī)湍愕昙屹u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用戶意思意思。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
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、大眾點評畢竟是最好的點評網(wǎng)站。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，就會有一些不三不四的店鋪被“刷”到頂部。
而與之相似的，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“關鍵詞”，然后在結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”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。
這也就解釋了為什么有時我們“眾里尋他千百度”，驀然回首，卻看到“有人正在脫褲褲”了。
5、最后再說說政府部門
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。拉到最底下一看，這個網(wǎng)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。
不過剛才那張表格里，排名第七的是四川住建廳。這又是什么騷操作？
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”：
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。
問題 1、爬蟲搞出這么多姿勢，它究竟是不是違法呢？
這個問題還真的不簡單。
我打開中國網(wǎng)安第一大法《網(wǎng)絡安全法》仔細看了半小時，在里面沒有發(fā)現(xiàn)“爬取網(wǎng)絡公開信息被認定為違法”的條款。
于是我又繼續(xù)搜索，發(fā)現(xiàn)了幾條司法解釋：
未經(jīng)授權爬取用戶手機通訊錄超過50條記錄；未經(jīng)授權抓取用戶淘寶交易記錄超過500條；未經(jīng)授權讀取用戶運營商網(wǎng)站通話記錄超過500條；未經(jīng)授權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。
問題 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。。。
這張圖來自極驗驗證的滑塊驗證技術
除了剛才這些小模塊，企業(yè)還可以通過 WAF（Web 應用防火墻）來防護，WAF 的功能就是通過設置一些規(guī)則，攔截掉那些不符合規(guī)則的請求。
但是，爬蟲的請求，和真人的請求真的太像了。
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)線會向云端轉移。
比如騰訊云的 WAF，聽說最近就要通過人工智能的方法來識別爬蟲。這里就不幫他們打廣告了。還有很多其他的云安全廠商，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秘密表格。
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，應該全是中國企業(yè)（或機關）。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。
你看，排名第1的“中國鐵路路客戶服務中心”
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。
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(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。
你看，排名第15的“北京市預約掛號統(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，看病貴。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(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。
對了，這份《中國爬蟲圖鑒》我也從云鼎實驗室的朋友那里要到啦，如果你想閱讀的話，可以上網(wǎng)找來看，也可以加微信跟我要~
另外云鼎實驗室的技術可以探測到全網(wǎng)的惡意威脅，還是挺酷的。他們還有其他的報告放出~
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，可以關注微博：@史中方槍槍，或者搜索微信：shizhongst。
關注樓主