[[238571]]

在一大堆技術(shù)術(shù)語(yǔ)里，最為被普通人所熟知的大概就是“爬蟲”了。其實(shí)爬蟲這個(gè)名字就已經(jīng)特別好地表現(xiàn)出了這項(xiàng)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(gè)角落獲取數(shù)據(jù);也一定程度上表達(dá)了人們對(duì)這項(xiàng)技術(shù)的情感傾向——蟲子或許無(wú)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(guò)很多討論。因?yàn)榕老x技術(shù)造成的大量IP訪問(wèn)網(wǎng)站侵占帶寬資源、以及用戶隱私和知識(shí)產(chǎn)權(quán)等危害，很多互聯(lián)網(wǎng)企業(yè)都會(huì)花大力氣進(jìn)行“反爬蟲”。

相比爬蟲技術(shù)本身，反爬蟲其實(shí)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(duì)簿公堂

幾乎是和爬蟲技術(shù)誕生的同一時(shí)刻，反爬蟲技術(shù)也誕生了。在90年代開(kāi)始有搜索引擎網(wǎng)站利用爬蟲技術(shù)抓取網(wǎng)站時(shí)，一些搜索引擎從業(yè)者和網(wǎng)站站長(zhǎng)通過(guò)郵件討論定下了一項(xiàng)“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(hù)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(shí)我們還處于上古時(shí)代，互聯(lián)網(wǎng)是一片賢者云集的樂(lè)土，大多數(shù)從業(yè)者都會(huì)默守這一協(xié)定，畢竟那時(shí)候信息和數(shù)據(jù)都沒(méi)什么油水可撈。但很快互聯(lián)網(wǎng)上開(kāi)始充斥著商品信息、機(jī)票價(jià)格、個(gè)人隱私……在利益的誘惑下，自然有些人會(huì)開(kāi)始違法爬蟲協(xié)議了。

當(dāng)君子協(xié)議失效，我們開(kāi)始改用技術(shù)手段阻攔爬蟲的入侵。比如從訪問(wèn)數(shù)量上發(fā)現(xiàn)爬蟲，當(dāng)我們?cè)谀骋痪W(wǎng)站瀏覽過(guò)快時(shí)，系統(tǒng)往往會(huì)要求輸入驗(yàn)證碼，就是因?yàn)檫@種快速瀏覽的行為很接近爬蟲?；蛘呤遣欢ㄆ诟淖僅TML標(biāo)簽，使之無(wú)法與Web排序匹配來(lái)限制爬蟲。

但是即便如此，我們也沒(méi)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(wèn)難度。如果網(wǎng)站可以供給人類訪問(wèn)，就一定也可以被爬蟲訪問(wèn)。而且如果從底層完全組織爬蟲抓取，也很可能讓網(wǎng)站無(wú)法被搜索引擎收錄。

所以，在所有的先禮后兵都對(duì)爬蟲失效時(shí)。最后反爬蟲的手段只有最后一項(xiàng)——對(duì)簿公堂。

兩場(chǎng)官司和十七年，爬蟲沒(méi)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(jià)格信息的比價(jià)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(jìn)了爬蟲協(xié)議中，但BE違反了這一協(xié)議。但BE認(rèn)為eBay上的內(nèi)容屬于用戶集體貢獻(xiàn)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(guò)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(kāi)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(shuí)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(shí)，商業(yè)世界的唯利和自私立刻暴露無(wú)遺。

有一個(gè)說(shuō)法是，互聯(lián)網(wǎng)上50%的流量都是爬蟲創(chuàng)造的。這個(gè)說(shuō)法雖然夸張了點(diǎn)，但也體現(xiàn)出了爬蟲的無(wú)處不在。爬蟲之所以無(wú)處不在，是因?yàn)榕老x可以為互聯(lián)網(wǎng)企業(yè)帶來(lái)收益。

就拿電商網(wǎng)站來(lái)說(shuō)，很多電商網(wǎng)站是愿意被比價(jià)網(wǎng)站或者其他購(gòu)物信息網(wǎng)站爬取信息的，因?yàn)檫@樣能夠給他們的商品帶來(lái)更多流量。但他們不愿意被其他電商網(wǎng)站獲取價(jià)格信息和商品描述，因?yàn)閾?dān)心其他電商網(wǎng)站惡意比價(jià)或進(jìn)行抄襲。同時(shí)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(jià)格。

這種糾結(jié)又復(fù)雜的心情就像學(xué)霸間的競(jìng)爭(zhēng)，學(xué)霸可以給學(xué)渣抄筆記，因?yàn)橹缹W(xué)渣再怎么努力也就是六七十分的水平，但學(xué)霸對(duì)其他學(xué)霸一定會(huì)嚴(yán)防死守，因?yàn)橹挥袑W(xué)霸和學(xué)霸之間才有真正的競(jìng)爭(zhēng)。所以像京東和淘寶這樣的“頂級(jí)學(xué)霸”都會(huì)在協(xié)議中寫清楚，禁止對(duì)方爬取數(shù)據(jù)。當(dāng)然，至于雙方是否遵守這一君子協(xié)定就很難說(shuō)了。

同時(shí)也有一些網(wǎng)站，一開(kāi)始會(huì)默許其他網(wǎng)站爬取數(shù)據(jù)，一段時(shí)間過(guò)后卻又會(huì)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(rèn)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(jī)器學(xué)習(xí)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(hù)用戶隱私的旗號(hào)，領(lǐng)英仍然敗訴并且被聯(lián)邦法庭要求開(kāi)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(zhǎng)達(dá)五年，領(lǐng)英一直知情并且曾經(jīng)去參加過(guò)HiQ組織的論壇峰會(huì)。如今領(lǐng)英自己開(kāi)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(huì)有這兩場(chǎng)結(jié)局截然不同的官司，是因?yàn)槲覀冎圃炫老x和反爬蟲的初衷都發(fā)生了變化。從一開(kāi)始的獲取信息和保護(hù)隱私，變成了如今的獲取商業(yè)利益和反制對(duì)手。

爬蟲制造者說(shuō)：道德制約是反爬蟲的最好方法?

就著這個(gè)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(gè)性的生物，很難在問(wèn)題中達(dá)成一致，尤其是在“什么才是最好的語(yǔ)言”“早期的錘子手機(jī)是不是垃圾”這樣的問(wèn)題上。 但在反爬蟲的問(wèn)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(shí)經(jīng)常會(huì)要求他們爬取旅游網(wǎng)站的旅游路線，這時(shí)他們通常會(huì)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?yàn)樗麄?ldquo;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(huì)把爬取數(shù)據(jù)這樣的臟活累活外包出去，而在反爬蟲時(shí)，如果數(shù)據(jù)爬取方技術(shù)足夠好，不給服務(wù)器帶來(lái)過(guò)分的帶寬壓力，在滿足了KPI前提下他們甚至?xí)犚恢谎坶]一只眼。

同時(shí)雙方都承認(rèn)，有時(shí)候會(huì)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(shí)，他們告訴我，法律很難阻止爬蟲技術(shù)。除非在競(jìng)品之間、涉及到對(duì)用戶原創(chuàng)內(nèi)容的批量搬運(yùn)，類似之前360快視頻批量搬運(yùn)B站視頻、以及近期出現(xiàn)的大眾點(diǎn)評(píng)批量搬運(yùn)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(duì)象，另一方面整個(gè)訴訟過(guò)程會(huì)非常漫長(zhǎng)，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(dāng)競(jìng)爭(zhēng)”這樣的萬(wàn)金油控訴對(duì)方。

當(dāng)我們問(wèn)到他們，從技術(shù)角度有沒(méi)有什么好的反爬蟲手段時(shí)，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€(gè)媒體爆料一下，帶點(diǎn)侵權(quán)、入侵?jǐn)?shù)據(jù)庫(kù)、隱私信息方面的影射，就可以立刻從道德的制高點(diǎn)搞臭對(duì)方，讓人不會(huì)注意到你司的反爬蟲技術(shù)不到位。如果對(duì)方是上市公司，效果更佳。

當(dāng)AI時(shí)代遇上AI爬蟲，戰(zhàn)爭(zhēng)才剛剛開(kāi)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(duì)爬蟲的無(wú)可奈何。但可以預(yù)見(jiàn)的是，隨著大數(shù)據(jù)和機(jī)器學(xué)習(xí)應(yīng)用越來(lái)越廣，對(duì)爬蟲睜一只眼閉一只眼、與爬蟲和平共處的時(shí)代很快就要過(guò)去了。

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

當(dāng)數(shù)據(jù)分析企業(yè)利用爬蟲獲取數(shù)據(jù)進(jìn)行分析時(shí)，大量爬蟲的存在正在讓這些數(shù)據(jù)失實(shí)。文章瀏覽量的失實(shí)讓我們誤判人們對(duì)新聞事實(shí)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(shí)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(shí)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(jī)器人的行為規(guī)律。

同時(shí)爬蟲帶來(lái)的流量波動(dòng)也會(huì)讓機(jī)器學(xué)習(xí)算法產(chǎn)生誤判。

最典型的例子是機(jī)票的動(dòng)態(tài)定價(jià)，網(wǎng)站會(huì)結(jié)合當(dāng)下瀏覽量判定機(jī)票的搶手程度并且調(diào)整價(jià)格。這時(shí)如果有大量爬蟲在瀏覽網(wǎng)站，算法就會(huì)給出和實(shí)際情況并不符合的定價(jià)，也損傷了消費(fèi)者購(gòu)買到廉價(jià)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(huì)利用圖像識(shí)別技術(shù)破解網(wǎng)站用作攔截的驗(yàn)證碼。

在這種情況下，網(wǎng)站分辨人與機(jī)器人就變得更加困難也更加重要。很多網(wǎng)站也開(kāi)始利用機(jī)器學(xué)習(xí)技術(shù)反制AI爬蟲，比如為圖形驗(yàn)證碼動(dòng)態(tài)打碼應(yīng)對(duì)圖像識(shí)別。同時(shí)現(xiàn)在PC和移動(dòng)終端的硬件技術(shù)發(fā)展，也讓生物識(shí)別這種更復(fù)雜的驗(yàn)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(shuō)爬蟲技術(shù)和反爬蟲技術(shù)之間斗爭(zhēng)了十幾年，可真正的“戰(zhàn)爭(zhēng)”卻從現(xiàn)在才剛剛開(kāi)始。在徹底制服惡意爬蟲之前，對(duì)于一切大數(shù)據(jù)、精準(zhǔn)預(yù)測(cè)之類的“吹噓”，我們最好保持著三分懷疑。