网络爬虫以及反爬虫技术介绍

Posted 2021-04-30 光说产品

      托了搜索引擎的福，我们现在大多数的信息和数据，可以通过搜索引擎高效的检索到，那么搜索引擎又是怎么知道这些数据在哪里的呢？答案就是网络爬虫。

 

网络爬虫

        网络爬虫，就是程序模拟的网络机器人，他可以模拟人的行为，在网络上按照你的设定规则进行访问或者数据交互。

       网络爬虫(Web crawler)，就是通过网址获得网络中的数据、然后根据目标解析数据、存储目标信息。这个过程可以自动化程序实现，行为类似一个蜘蛛。蜘蛛在互联网上爬行，一个一个网页就是蜘蛛网。这样蜘蛛可以通过一个网页爬行到另外一个网页。

        搜索引擎是最早诞生的爬虫，它爬取互联网上的所有信息，帮助用户进行快速的信息检索，为用户提升效率的同时也为网站带来流量。

        

网络爬虫在干哪些事？

      1，信息搜集

      2，刷量

      3，秒杀资源

       爬虫最初是为搜索业务服务的。早期的搜索引擎，就是一个自动化程序，可以抓取网上的所有网页，然后将所有页面上的内容复制到数据库中制作索引，然后对外提供数据检索业务。        

      让爬虫去检索全部互联网的数据，这个就是搜索引擎。

       让爬虫去检索某企业相关的网络信息，这个就是舆情监控。

       让爬虫去搜集某一类特定的信息，这个就是现在的大数据。

       让爬虫去检索购物网站商品的价格信息，这个就是现在的币价软件。

        

       互联网一个重要经济来源就是广告，既然广告是按照点击来计费的，那么是否可以用爬虫模拟一次点击，来骗取广告费呢？从技术的角度来说，这个当然可以。

      于是网络上各种刷就出现了，从一开始简单的刷广告流量，到刷点击量，刷好评，毫不夸张的说，任何网络上人可以通过重复操作来进行的事情，都可以通过爬虫模拟的方式进行刷量。各种刷好评现在大家已经是心知肚明，各种点击量粉丝量各方也是各打折扣，现在连亚马逊的好评也开始大规模刷了。刷量，已经是司空见惯的一种运营操作了。

        既然能刷量，那么能不能顺手再做一步，比如抢红包呢？答案是当然能！

        于是各种社交平台抢红包，网络抢票，阿里抢月饼，等等通过爬虫来进行互联网秒杀资源的产品就出现了。知乎史中介绍了一个刷机票的案例：

      亚洲航空。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。据我所知，他们是这样玩的：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。“我是中间商，我就要赚差价！”这波骚操作，堪称完美。

      

     你说既然网络上这么多爬虫在干各种各样的活，那么爬虫在互联网的流量得占一半吧？

 不，你的想法一点都不大胆！

     

      35个不同类型的爬虫程序(优质爬虫程序)构成了绝大多数的爬虫流量。它们可以分为四大类：搜索引擎爬虫，商业爬虫，内容获取者爬虫和监控爬虫。这些爬虫覆盖了超过互联网84％的爬虫流量。

        

       据国际知名金融广告服务平台提供商Dianomi的报告《2018 Robot traffic report》的数据，在互联网上人类流量仅仅占了48.2%，也就是说，一个页面的10000个点击里面，大约5100个来自机器人。在航旅票务等行业，热门数据接口中甚至有超过95% 的流量是来自机器人。

       想象一下，你所购买的服务器和带宽，其实，大多数的资源是为了另外一些机器来服务的。流量的现状如此。下图是知乎史中提供的一个数据，现在春节抢票期间，你大概能够理解为什么你抢不到的火车票，黄牛手里为什么有了吧。人的手速，怎么可能硬刚的过机器呢。

反爬虫

        反爬虫，就是识别和过滤和阻止爬虫。

       如果你希望你的信息迅速传播，没有什么壁垒，那么可以让所有的爬虫来你这里尽情玩耍。但是如果你只希望真正的人来访问你，那你就需要进行反爬虫了。

        爬虫就是机器模拟人的访问，反爬虫就是在这些访问里边识别机器。随着爬虫技术的进步，反爬虫的技术也随着在需要不断更新进步。这里我们也简单介绍几种常用的方式。

        1，君子协定：Robots协议

        搜索引擎的爬虫都遵守着一个协议：robots.txt，它是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络搜索引擎的爬虫，此网站中的哪些内容是不应被搜索引擎的漫游器获取的，哪些是可以被漫游器获取的。robots.txt放置于网站的根目录下。robots.txt协议并不是一个规范，而只是约定俗成的，所以并不能保证网站的隐私。

        使用Robots协议可以过滤掉遵守君子协定的爬虫的访问。

        2，各类验证码类型的人机识别技术

        你在访问网站的时候总会遇到各种各样的验证码，例如图片数字，滑动，图片识别，等等，这些验证码的步奏，就是为了区别你的这个访问是真人，还是机器，毕竟真人做这个操作很简单，但是对于机器操作就比较难了。

         12306有段时间采用的选择图片的方式，就是一种人机识别的策略：

         随着人工智能技术的出现，机器识别图片的能力已经超出了人类，上图中，机器识别白百合的成功率比大多数人还要高。所以，现在大家都较少的采用图片的方式进行反爬虫了，因为这个防护还是太弱了。

        4，访问请求识别类技术

        访问请求过来的HAED头，其中包含了大量的用户标记数据，爬虫如果粗糙一点的话，这些字段设置通常都是默认值或者是一个机器值，通过过滤这些值可以滤掉一部分无效请求。

        5，访问行为识别类技术

        人的访问过程会有一个比较清晰的逻辑路径，机器的访问路径是按照遍历或者递归的方式来的，通过对这个用户的访问行为进行分析，也能够识别和判断一部分的爬虫访问。

        6，前端页面技术

        通过JS等一些前端页面技术，让爬虫无法直接识别到页面的有效信息。

        反爬技术也在不断的进步和成长，爬虫技术也在反爬技术的成长过程中不断的更新迭代。有一篇反爬的文章不错：论爬虫持久战：https://www.freebuf.com/articles/database/221679.html，可以看一下。

        所谓道高一尺魔高一丈，爬虫与反爬虫，在相互竞争中互相成长，创造了大量的互联网劳动岗位，也拖死了不少创业公司。

        冤冤相报不好了，互联网的丛林社会，进攻之前一定要先扎好篱笆。       

      

参考链接