TMT观察网_独特视角观察TMT行业

在一大堆技術(shù)術(shù)語里，最為被普通人所熟知的大概就是“爬蟲”了。其實爬蟲這個名字就已經(jīng)特別好地表現(xiàn)出了這項技術(shù)的作用——像密密麻麻的蟲子一樣分布在網(wǎng)絡(luò)上，爬行至每一個角落獲取數(shù)據(jù)；也一定程度上表達了人們對這項技術(shù)的情感傾向——蟲子或許無害，但總是不受歡迎的。

有關(guān)爬蟲的功能、益處或危害，此前已經(jīng)有過很多討論。因為爬蟲技術(shù)造成的大量IP訪問網(wǎng)站侵占帶寬資源、以及用戶隱私和知識產(chǎn)權(quán)等危害，很多互聯(lián)網(wǎng)企業(yè)都會花大力氣進行“反爬蟲”。

相比爬蟲技術(shù)本身，反爬蟲其實更加復(fù)雜，發(fā)展歷程也更加有趣。

我們?nèi)绾畏磁老x？

先禮后兵、再對簿公堂

幾乎是和爬蟲技術(shù)誕生的同一時刻，反爬蟲技術(shù)也誕生了。在90年代開始有搜索引擎網(wǎng)站利用爬蟲技術(shù)抓取網(wǎng)站時，一些搜索引擎從業(yè)者和網(wǎng)站站長通過郵件討論定下了一項“君子協(xié)議”—— robots.txt。即網(wǎng)站有權(quán)規(guī)定網(wǎng)站中哪些內(nèi)容可以被爬蟲抓取，哪些內(nèi)容不可以被爬蟲抓取。這樣既可以保護隱私和敏感信息，又可以被搜索引擎收錄、增加流量。

爬蟲技術(shù)剛剛誕生時我們還處于上古時代，互聯(lián)網(wǎng)是一片賢者云集的樂土，大多數(shù)從業(yè)者都會默守這一協(xié)定，畢竟那時候信息和數(shù)據(jù)都沒什么油水可撈。但很快互聯(lián)網(wǎng)上開始充斥著商品信息、機票價格、個人隱私……在利益的誘惑下，自然有些人會開始違法爬蟲協(xié)議了。

當君子協(xié)議失效，我們開始改用技術(shù)手段阻攔爬蟲的入侵。比如從訪問數(shù)量上發(fā)現(xiàn)爬蟲，當我們在某一網(wǎng)站瀏覽過快時，系統(tǒng)往往會要求輸入驗證碼，就是因為這種快速瀏覽的行為很接近爬蟲。或者是不定期改變HTML標簽，使之無法與Web排序匹配來限制爬蟲。

但是即便如此，我們也沒有任何方法可以禁止爬蟲在網(wǎng)站中出入，只能加大爬蟲的訪問難度。如果網(wǎng)站可以供給人類訪問，就一定也可以被爬蟲訪問。而且如果從底層完全組織爬蟲抓取，也很可能讓網(wǎng)站無法被搜索引擎收錄。

所以，在所有的先禮后兵都對爬蟲失效時。最后反爬蟲的手段只有最后一項——對簿公堂。

兩場官司和十七年，

爬蟲沒變，我們變了

歷史上第一樁關(guān)于爬蟲的官司誕生在2000年，eBay將一家聚合價格信息的比價網(wǎng)站BE告上了法庭，eBay聲稱自己已經(jīng)將哪些信息不能抓取寫進了爬蟲協(xié)議中，但BE違反了這一協(xié)議。但BE認為eBay上的內(nèi)容屬于用戶集體貢獻而不歸用戶所有，爬蟲協(xié)議不能用作法律參考。

最后經(jīng)過業(yè)內(nèi)反復(fù)討論和法庭上的幾輪唇槍舌戰(zhàn)，最終以eBay勝訴告終，也開了用爬蟲協(xié)議作為主要參考的先河。

但這也引起了很多人的不滿，難道爬蟲能不能爬、怎么爬、誰的爬蟲能爬，都得由被爬的公司決定嗎？掌握了這種權(quán)力時，商業(yè)世界的唯利和自私立刻暴露無遺。

有一個說法是，互聯(lián)網(wǎng)上50%的流量都是爬蟲創(chuàng)造的。這個說法雖然夸張了點，但也體現(xiàn)出了爬蟲的無處不在。爬蟲之所以無處不在，是因為爬蟲可以為互聯(lián)網(wǎng)企業(yè)帶來收益。

就拿電商網(wǎng)站來說，很多電商網(wǎng)站是愿意被比價網(wǎng)站或者其他購物信息網(wǎng)站爬取信息的，因為這樣能夠給他們的商品帶來更多流量。但他們不愿意被其他電商網(wǎng)站獲取價格信息和商品描述，因為擔心其他電商網(wǎng)站惡意比價或進行抄襲。同時他們又經(jīng)常去爬其他電商網(wǎng)站的數(shù)據(jù)，希望能夠看到別人的價格。

這種糾結(jié)又復(fù)雜的心情就像學霸間的競爭，學霸可以給學渣抄筆記，因為知道學渣再怎么努力也就是六七十分的水平，但學霸對其他學霸一定會嚴防死守，因為只有學霸和學霸之間才有真正的競爭。所以像京東和淘寶這樣的“頂級學霸”都會在協(xié)議中寫清楚，禁止對方爬取數(shù)據(jù)。當然，至于雙方是否遵守這一君子協(xié)定就很難說了。

同時也有一些網(wǎng)站，一開始會默許其他網(wǎng)站爬取數(shù)據(jù)，一段時間過后卻又會將爬取數(shù)據(jù)的網(wǎng)站告上法庭。最典型的例子就是領(lǐng)英，領(lǐng)英在2017年曾經(jīng)將一家名為HiQ的數(shù)據(jù)分析企業(yè)告上法庭，原因是認定這家企業(yè)抓取領(lǐng)英用戶的就職狀態(tài)信息，提供給另外兩家利用機器學習分析員工跳槽傾向和職業(yè)技能的企業(yè)。

結(jié)果卻是即使打著保護用戶隱私的旗號，領(lǐng)英仍然敗訴并且被聯(lián)邦法庭要求開放數(shù)據(jù)接口。原因是HiQ已經(jīng)這樣爬取領(lǐng)英的數(shù)據(jù)長達五年，領(lǐng)英一直知情并且曾經(jīng)去參加過HiQ組織的論壇峰會。如今領(lǐng)英自己開展了和HiQ類似的業(yè)務(wù)，就要斷了HiQ的生路。

從2000年到2017年，之所以會有這兩場結(jié)局截然不同的官司，是因為我們制造爬蟲和反爬蟲的初衷都發(fā)生了變化。從一開始的獲取信息和保護隱私，變成了如今的獲取商業(yè)利益和反制對手

爬蟲制造者說：

道德是反爬蟲的最好方法？

就著這個話題，我們還和兩位碼Python的程序員朋友聊了聊。

要知道程序員們是一種非常具有個性的生物，很難在問題中達成一致，尤其是在“什么才是最好的語言”、“早期的錘子手機是不是垃圾”這樣的問題上。但在反爬蟲的問題上，程序員們似乎呈現(xiàn)出了空前的一致。

一位就職于小型OTA的程序員表示，公司在剛剛起步時經(jīng)常會要求他們爬取旅游網(wǎng)站的旅游路線，這時他們通常會選擇中青旅遨游網(wǎng)這樣傳統(tǒng)企業(yè)基因更濃厚的網(wǎng)站，因為他們“反爬蟲能力幾乎為0”。

而另一位大廠程序員表示，公司通常會把爬取數(shù)據(jù)這樣的臟活累活外包出去，而在反爬蟲時，如果數(shù)據(jù)爬取方技術(shù)足夠好，不給服務(wù)器帶來過分的帶寬壓力，在滿足了KPI前提下他們甚至會睜一只眼閉一只眼。

同時雙方都承認，有時候會自己出于興趣制作一些小爬蟲程序，方便獲取一些數(shù)據(jù)。

在提到爬蟲技術(shù)的合法性時，他們告訴我，法律很難阻止爬蟲技術(shù)。除非在競品之間、涉及到對用戶原創(chuàng)內(nèi)容的批量搬運，類似之前360快視頻批量搬運B站視頻、以及近期出現(xiàn)的大眾點評批量搬運小紅書內(nèi)容等等。至于那些爬取他人數(shù)據(jù)用作分析的，一方面難以取證確定對象，另一方面整個訴訟過程會非常漫長，企業(yè)很難清楚的展現(xiàn)出自己哪里受了損失，通常是以“不正當競爭”這樣的萬金油控訴對方。

當我們問到他們，從技術(shù)角度有沒有什么好的反爬蟲手段時，他們告訴我最好的反爬蟲手段并非技術(shù)也并非法律，而是公關(guān)——帶上截圖找?guī)讉€媒體爆料一下，帶點侵權(quán)、入侵數(shù)據(jù)庫、隱私信息方面的影射，就可以立刻從道德的制高點搞臭對方，讓人不會注意到你司的反爬蟲技術(shù)不到位。如果對方是上市公司，效果更佳。

當AI時代遇上AI爬蟲，

戰(zhàn)爭才剛剛開始

“道德反爬蟲”雖然只是笑談，但一定程度上表示出了企業(yè)技術(shù)人員對爬蟲的無可奈何。但可以預(yù)見的是，隨著大數(shù)據(jù)和機器學習應(yīng)用越來越廣，對爬蟲睜一只眼閉一只眼、與爬蟲和平共處的時代很快就要過去了。

最主要的問題是，爬蟲的出現(xiàn)會極大地增加數(shù)據(jù)分析難度。

當數(shù)據(jù)分析企業(yè)利用爬蟲獲取數(shù)據(jù)進行分析時，大量爬蟲的存在正在讓這些數(shù)據(jù)失實。文章瀏覽量的失實讓我們誤判人們對新聞事實的關(guān)注程度、爬蟲衍生出的虛擬IP需要在數(shù)據(jù)清洗時剔除……技術(shù)越高超的爬蟲，在行為模式上就越接近真人，也就更加增加數(shù)據(jù)分析時的難度。久而久之，那些我們以為從人類行為中尋找規(guī)律的算法，反而尋找到的是機器人的行為規(guī)律。

同時爬蟲帶來的流量波動也會讓機器學習算法產(chǎn)生誤判。

最典型的例子是機票的動態(tài)定價，網(wǎng)站會結(jié)合當下瀏覽量判定機票的搶手程度并且調(diào)整價格。這時如果有大量爬蟲在瀏覽網(wǎng)站，算法就會給出和實際情況并不符合的定價，也損傷了消費者購買到廉價產(chǎn)品的權(quán)益。

甚至一些數(shù)據(jù)分析企業(yè)還打出了“AI爬蟲”的招牌，讓爬蟲腳本的行為模式更加接普通用戶，讓被爬的企業(yè)難以發(fā)掘，甚至還會利用圖像識別技術(shù)破解網(wǎng)站用作攔截的驗證碼。

在這種情況下，網(wǎng)站分辨人與機器人就變得更加困難也更加重要。很多網(wǎng)站也開始利用機器學習技術(shù)反制AI爬蟲，比如為圖形驗證碼動態(tài)打碼應(yīng)對圖像識別。同時現(xiàn)在PC和移動終端的硬件技術(shù)發(fā)展，也讓生物識別這種更復(fù)雜的驗證手段有可能加入戰(zhàn)斗。雙方正在站在同一水平線上，利用技術(shù)互相斗法。

可以說爬蟲技術(shù)和反爬蟲技術(shù)之間斗爭了十幾年，可真正的“戰(zhàn)爭”卻從現(xiàn)在才剛剛開始。在徹底制服惡意爬蟲之前，對于一切大數(shù)據(jù)、精準預(yù)測之類的“吹噓”，我們最好保持著三分懷疑。