你的手机App布满了网络爬虫

  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?(注意体会这句话的意思,不是日常黑百度)

  每年总有那么几天,幺哥会心情焦虑,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。

  幺哥家在湖南,离北京上千公里。他是家里的独子,每年买到火车票准时出现在家门口是他的 “ 义务 ”。

  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。(起码幺哥是这样安慰自己的。)

  从技术上说,幺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。

  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:土豪块来付款。

  正好在上周末,一位黑客盆友御风神秘兮兮地给我发来一份《 中国爬虫图鉴 》,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。

  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。

  看到最后,我发现这哪里是《 中国爬虫图鉴 》,这分明是一份《 中国焦虑图鉴 》!

  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“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。

  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。

  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 “ 锅铲 ”,那么下次这张图片再出现的时候,系统就直接判断它是 “ 锅铲 ”。

  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。

  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。”

  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。

  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,是屌丝穷 X 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。

  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。

  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。

  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。。。

  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。

  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。

  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 ”。

  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。

  它们去淘宝上,把胖次袜子杜蕾斯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,因为购买的流程越简越好。

  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。

  醒醒啊同学,雷锋叔叔已经走了很多年了。我随便给你说一下这种聚合电商平台的盈利模式:

  1、假设几家店铺都卖杜蕾斯,但是用户在我这里搜索“杜蕾斯”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。@百度君,你说说是不是这个道理?( 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。

  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。

  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的点击次数更多。

  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。

  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。

  不过御风算了算,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。

  这也就解释了为什么有时我们 “ 众里寻他千百度 ”,蓦然回首,却看到 “ 有人正在脱裤裤 ” 了。

  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。

  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。

  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。

  我打开中国网安第一《 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。

  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线条;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。

  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。

  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。

  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。

  无数像幺哥一样的游子,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。

  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。

  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。

  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。

分享到
扫描二维码分享到微信
确 认

Copyright ©2018 网赌给提款的靠谱平台 版权所有 备案号:苏ICP备15036878号