【數(shù)盟致力于成為最卓越的數(shù)據(jù)科學(xué)社區(qū)，聚焦于大數(shù)據(jù)、分析挖掘、數(shù)據(jù)可視化領(lǐng)域，業(yè)務(wù)范圍：線下活動、在線課程、獵頭服務(wù)、項目對接】
編者：本文來自攜程酒店研發(fā)部研發(fā)經(jīng)理崔廣宇在第三期【攜程技術(shù)微分享】上的分享，以下為整理的內(nèi)容概要。墻裂建議點擊視頻回放，“現(xiàn)場”圍觀段子手攻城獅大崔，如何高智商&高情商地完美碾壓爬蟲。。。關(guān)注攜程技術(shù)中心微信公號ctriptech，可第一時間獲知微分享信息~
你被爬蟲侵擾過么？當(dāng)你看到“爬蟲”兩個字的時候，是不是已經(jīng)有點血脈賁張的感覺了？千萬要忍耐，稍稍做點什么，就可以在名義上讓他們勝利，實際上讓他們受損失。
1、爬蟲占總PV比例較高，這樣浪費錢（尤其是三月份爬蟲）。
三月份爬蟲是個什么概念呢？每年的三月份我們會迎接一次爬蟲高峰期。
最初我們百思不得其解。直到有一次，四月份的時候，我們刪除了一個url，然后有個爬蟲不斷的爬取url，導(dǎo)致大量報錯，測試開始找我們麻煩。我們只好特意為這個爬蟲發(fā)布了一次站點，把刪除的url又恢復(fù)回去了。
但是當(dāng)時我們的一個組員表示很不服，說，我們不能干掉爬蟲，也就罷了，還要專門為它發(fā)布，這實在是太沒面子了。于是出了個主意，說：url可以上，但是，絕對不給真實數(shù)據(jù)。
于是我們就把一個靜態(tài)文件發(fā)布上去了。報錯停止了，爬蟲沒有停止，也就是說對方并不知道東西都是假的。這個事情給了我們一個很大的啟示，也直接成了我們反爬蟲技術(shù)的核心：變更。
后來有個學(xué)生來申請實習(xí)。我們看了簡歷發(fā)現(xiàn)她爬過攜程。后來面試的時候確認了下，果然她就是四月份害我們發(fā)布的那個家伙。不過因為是個妹子，技術(shù)也不錯，后來就被我們招安了?，F(xiàn)在已經(jīng)快正式入職了。
后來我們一起討論的時候，她提到了，有大量的碩士在寫論文的時候會選擇爬取OTA數(shù)據(jù)，并進行輿情分析。因為五月份交論文，所以嘛，大家都是讀過書的，你們懂的，前期各種DotA，LOL，到了三月份了，來不及了，趕緊抓數(shù)據(jù)，四月份分析一下，五月份交論文。
就是這么個節(jié)奏。
2、公司可免費查詢的資源被批量抓走，喪失競爭力，這樣少賺錢。
OTA的價格可以在非登錄狀態(tài)下直接被查詢，這個是底線。如果強制登陸，那么可以通過封殺賬號的方式讓對方付出代價，這也是很多網(wǎng)站的做法。但是我們不能強制對方登錄。那么如果沒有反爬蟲，對方就可以批量復(fù)制我們的信息，我們的競爭力就會大大減少。
競爭對手可以抓到我們的價格，時間長了用戶就會知道，只需要去競爭對手那里就可以了，沒必要來攜程。這對我們是不利的。
3、爬蟲是否涉嫌違法？ 如果是的話，是否可以起訴要求賠償？這樣可以賺錢。
這個問題我特意咨詢了法務(wù)，最后發(fā)現(xiàn)這在國內(nèi)還是個擦邊球，就是有可能可以起訴成功，也可能完全無效。所以還是需要用技術(shù)手段來做最后的保障。
1、十分低級的應(yīng)屆畢業(yè)生
開頭我們提到的三月份爬蟲，就是一個十分明顯的例子。應(yīng)屆畢業(yè)生的爬蟲通常簡單粗暴，根本不管服務(wù)器壓力，加上人數(shù)不可預(yù)測，很容易把站點弄掛。
順便說下，通過爬攜程來獲取offer這條路已經(jīng)行不通了。因為我們都知道，第一個說漂亮女人像花的人，是天才。而第二個。。。你們懂的吧？
2、十分低級的創(chuàng)業(yè)小公司
現(xiàn)在的創(chuàng)業(yè)公司越來越多，也不知道是被誰忽悠的然后大家創(chuàng)業(yè)了發(fā)現(xiàn)不知道干什么好，覺得大數(shù)據(jù)比較熱，就開始做大數(shù)據(jù)。
分析程序全寫差不多了，發(fā)現(xiàn)自己手頭沒有數(shù)據(jù)。
怎么辦？寫爬蟲爬啊。于是就有了不計其數(shù)的小爬蟲，出于公司生死存亡的考慮，不斷爬取數(shù)據(jù)。
3、不小心寫錯了沒人去停止的失控小爬蟲
攜程上的點評有的時候可能高達60%的訪問量是爬蟲。我們已經(jīng)選擇直接封鎖了，它們依然孜孜不倦地爬取。
什么意思呢？就是說，他們根本爬不到任何數(shù)據(jù)，除了http code是200以外，一切都是不對的，可是爬蟲依然不停止這個很可能就是一些托管在某些服務(wù)器上的小爬蟲，已經(jīng)無人認領(lǐng)了，依然在辛勤地工作著。
4、成型的商業(yè)對手
這個是最大的對手，他們有技術(shù)，有錢，要什么有什么，如果和你死磕，你就只能硬著頭皮和他死磕。
5、抽風(fēng)的搜索引擎
大家不要以為搜索引擎都是好人，他們也有抽風(fēng)的時候，而且一抽風(fēng)就會導(dǎo)致服務(wù)器性能下降，請求量跟網(wǎng)絡(luò)攻擊沒什么區(qū)別。
因為反爬蟲暫時是個較新的領(lǐng)域，因此有些定義要自己下。我們內(nèi)部定義是這樣的：
爬蟲：使用任何技術(shù)手段，批量獲取網(wǎng)站信息的一種方式。關(guān)鍵在于批量。
反爬蟲：使用任何技術(shù)手段，阻止別人批量獲取自己網(wǎng)站信息的一種方式。關(guān)鍵也在于批量。
誤傷：在反爬蟲的過程中，錯誤的將普通用戶識別為爬蟲。誤傷率高的反爬蟲策略，效果再好也不能用。
攔截：成功地阻止爬蟲訪問。這里會有攔截率的概念。通常來說，攔截率越高的反爬蟲策略，誤傷的可能性就越高。因此需要做個權(quán)衡。
資源：機器成本與人力成本的總和。
這里要切記，人力成本也是資源，而且比機器更重要。因為，根據(jù)摩爾定律，機器越來越便宜。而根據(jù)IT行業(yè)的發(fā)展趨勢，程序員工資越來越貴。因此，讓對方加班才是王道，機器成本并不是特別值錢。
要想做反爬蟲，我們首先需要知道如何寫個簡單的爬蟲。
目前網(wǎng)絡(luò)上搜索到的爬蟲資料十分有限，通常都只是給一段python代碼。python是一門很好的語言，但是用來針對有反爬蟲措施的站點做爬蟲，真的不是最優(yōu)選擇。
更諷刺的是，通常搜到的python爬蟲代碼都會使用一個lynx的user-agent。你們應(yīng)該怎么處理這個user-agent，就不用我來說了吧？
通常編寫爬蟲需要經(jīng)過這么幾個過程：
分析頁面請求格式
創(chuàng)建合適的http請求
批量發(fā)送http請求，獲取數(shù)據(jù)
舉個例子，直接查看攜程生產(chǎn)url。在詳情頁點擊“確定”按鈕，會加載價格。假設(shè)價格是你想要的，那么抓出網(wǎng)絡(luò)請求之后，哪個請求才是你想要的結(jié)果呢？
答案出乎意料的簡單，你只需要用根據(jù)網(wǎng)絡(luò)傳輸數(shù)據(jù)量進行倒序排列即可。因為其他的迷惑性的url再多再復(fù)雜，開發(fā)人員也不會舍得加數(shù)據(jù)量給他。
那么爬蟲進階應(yīng)該如何做呢？通常所謂的進階有以下幾種：
分布式
通常會有一些教材告訴你，為了爬取效率，需要把爬蟲分布式部署到多臺機器上。這完全是騙人的。分布式唯一的作用是：防止對方封IP。封IP是終極手段，效果非常好，當(dāng)然，誤傷起用戶也是非常爽的。
模擬JavaScript
有些教程會說，模擬javascript，抓取動態(tài)網(wǎng)頁，是進階技巧。但是其實這只是個很簡單的功能。因為，如果對方?jīng)]有反爬蟲，你完全可以直接抓ajax本身，而無需關(guān)心js怎么處理的。如果對方有反爬蟲，那么javascript必然十分復(fù)雜，重點在于分析，而不僅僅是簡單的模擬。
換句話說：這應(yīng)該是基本功。
PhantomJs
這個是一個極端的例子。這個東西本意是用來做自動測試的，結(jié)果因為效果很好，很多人拿來做爬蟲。但是這個東西有個硬傷，就是：效率。此外PhantomJs也是可以被抓到的，出于多方面原因，這里暫時不講?！?/p>
越是低級的爬蟲，越容易被封鎖，但是性能好，成本低。越是高級的爬蟲，越難被封鎖，但是性能低，成本也越高。
當(dāng)成本高到一定程度，我們就可以無需再對爬蟲進行封鎖。經(jīng)濟學(xué)上有個詞叫邊際效應(yīng)。付出成本高到一定程度，收益就不是很多了。
那么如果對雙方資源進行對比，我們就會發(fā)現(xiàn)，無條件跟對方死磕，是不劃算的。應(yīng)該有個黃金點，超過這個點，那就讓它爬好了。畢竟我們反爬蟲不是為了面子，而是為了商業(yè)因素。
有個朋友曾經(jīng)給過我這樣一個架構(gòu)：
1、對請求進行預(yù)處理，便于識別；
2、識別是否是爬蟲；
3、針對識別結(jié)果，進行適當(dāng)?shù)奶幚恚?/p>
當(dāng)時我覺得，聽起來似乎很有道理，不愧是架構(gòu)，想法就是和我們不一樣。后來我們真正做起來反應(yīng)過來不對了。因為：
如果能識別出爬蟲，哪還有那么多廢話？想怎么搞它就怎么搞它。如果識別不出來爬蟲，你對誰做適當(dāng)處理？
三句話里面有兩句是廢話，只有一句有用的，而且還沒給出具體實施方式。那么：這種架構(gòu)(師)有什么用？
因為當(dāng)前存在一個架構(gòu)師崇拜問題，所以很多創(chuàng)業(yè)小公司以架構(gòu)師名義招開發(fā)。給出的title都是：初級架構(gòu)師，架構(gòu)師本身就是個高級崗位，為什么會有初級架構(gòu)。這就相當(dāng)于：初級將軍/初級司令。
最后去了公司，發(fā)現(xiàn)十個人，一個CTO，九個架構(gòu)師，而且可能你自己是初級架構(gòu)師，其他人還是高級架構(gòu)師。不過初級架構(gòu)師還不算坑爹了，有些小創(chuàng)業(yè)公司還招CTO做開發(fā)呢。
傳統(tǒng)反爬蟲手段
1、后臺對訪問進行統(tǒng)計，如果單個IP訪問超過閾值，予以封鎖。
這個雖然效果還不錯，但是其實有兩個缺陷，一個是非常容易誤傷普通用戶，另一個就是，IP其實不值錢，幾十塊錢甚至有可能買到幾十萬個IP。所以總體來說是比較虧的。不過針對三月份呢爬蟲，這點還是非常有用的。
2、后臺對訪問進行統(tǒng)計，如果單個session訪問超過閾值，予以封鎖。
這個看起來更高級了一些，但是其實效果更差，因為session完全不值錢，重新申請一個就可以了。
3、后臺對訪問進行統(tǒng)計，如果單個userAgent訪問超過閾值，予以封鎖。
這個是大招，類似于抗生素之類的，效果出奇的好，但是殺傷力過大，誤傷非常嚴重，使用的時候要非常小心。至今為止我們也就只短暫封殺過mac下的火狐。
4、以上的組合
組合起來能力變大，誤傷率下降，在遇到低級爬蟲的時候，還是比較好用的。
由以上我們可以看出，其實爬蟲反爬蟲是個游戲，RMB玩家才最牛逼。因為上面提到的方法，效果均一般，所以還是用JavaScript比較靠譜。
也許有人會說：javascript做的話，不是可以跳掉前端邏輯，直接拉服務(wù)嗎？怎么會靠譜呢？因為啊，我是一個標(biāo)題黨啊。JavaScript不僅僅是做前端。跳過前端不等于跳過JavaScript。也就是說：我們的服務(wù)器是nodejs做的。
思考題：我們寫代碼的時候，最怕碰到什么代碼？什么代碼不好調(diào)試？
eval
eval已經(jīng)臭名昭著了，它效率低下，可讀性糟糕。正是我們所需要的。
goto
js對goto支持并不好，因此需要自己實現(xiàn)goto。
混淆
目前的minify工具通常是minify成abcd之類簡單的名字，這不符合我們的要求。我們可以minify成更好用的，比如阿拉伯語。為什么呢？ 因為阿拉伯語有的時候是從左向右寫，有的時候是從右向左寫，還有的時候是從下向上寫。除非對方雇個阿拉伯程序員，否則非頭疼死不可。
不穩(wěn)定代碼
什么bug不容易修？不容易重現(xiàn)的bug不好修。因此，我們的代碼要充滿不確定性，每次都不一樣。
代碼演示
下載代碼本身，可以更容易理解。這里簡短介紹下思路：
純JAVASCRIPT反爬蟲DEMO，通過更改連接地址，來讓對方抓取到錯誤價格。這種方法簡單，但是如果對方針對性的來查看，十分容易被發(fā)現(xiàn)。
純JAVASCRIPT反爬蟲DEMO，更改key。這種做法簡單，不容易被發(fā)現(xiàn)。但是可以通過有意爬取錯誤價格的方式來實現(xiàn)。
純JAVASCRIPT反爬蟲DEMO，更改動態(tài)key。這種方法可以讓更改key的代價變?yōu)?，因此代價更低。
純JAVASCRIPT反爬蟲DEMO，十分復(fù)雜的更改key。這種方法，可以讓對方很難分析，如果加了后續(xù)提到的瀏覽器檢測，更難被爬取。
到此為止。
前面我們提到了邊際效應(yīng)，就是說，可以到此為止了。后續(xù)再投入人力就得不償失了。除非有專門的對手與你死磕。不過這個時候就是為了尊嚴而戰(zhàn)，不是為了商業(yè)因素了。
瀏覽器檢測
針對不同的瀏覽器，我們的檢測方式是不一樣的。
IE 檢測bug；
FF 檢測對標(biāo)準(zhǔn)的嚴格程度；
Chrome 檢測強大特性。
不會引發(fā)生產(chǎn)事件——直接攔截
可能引發(fā)生產(chǎn)事件——給假數(shù)據(jù)(也叫投毒)
此外還有一些發(fā)散性的思路。例如是不是可以在響應(yīng)里做SQL注入？畢竟是對方先動的手。不過這個問題法務(wù)沒有給具體回復(fù)，也不容易和她解釋。因此暫時只是設(shè)想而已。
1、技術(shù)壓制
我們都知道，DotA AI里有個de命令，當(dāng)AI被擊殺后，它獲取經(jīng)驗的倍數(shù)會提升。因此，前期殺AI太多，AI會一身神裝，無法擊殺。
正確的做法是，壓制對方等級，但是不擊殺。反爬蟲也是一樣的，不要一開始就搞太過分，逼人家和你死磕。
2、心理戰(zhàn)
挑釁、憐憫、嘲諷、猥瑣。
以上略過不提，大家領(lǐng)會精神即可。
3、放水
這個可能是是最高境界了。
程序員都不容易，做爬蟲的尤其不容易?？蓱z可憐他們給他們一小口飯吃吧。沒準(zhǔn)過幾天你就因為反爬蟲做得好，改行做爬蟲了。
比如，前一陣子就有人找我問我會不會做爬蟲。。。。。我這么善良的人，能說不會嗎？？？？
聯(lián)系客服
