那些你不知道的爬蟲反爬蟲套路

前言

爬蟲與反爬蟲，是一個很不陽光的行業。

這裡說的不陽光，有兩個含義。

第一是，這個行業是隱藏在地下的，一般很少被曝光出來。很多公司對外都不會宣稱自己有爬蟲團隊，甚至隱瞞自己有反爬蟲團隊的事實。這可能是出於公司戰略角度來看的，與技術無關。

第二是，這個行業並不是一個很積極向上的行業。很多人在這個行業摸爬滾打了多年，積攢了大量的經驗，但是悲哀的發現，這些經驗很難兌換成閃光的簡歷。面試的時候，因為雙方爬蟲理念或者反爬蟲理念不同，也很可能互不認可，影響自己的求職之路。本來程序員就有「文人相輕」的傾向，何況理念真的大不同。

然而這就是程序員的宿命。不管這個行業有多麼的不陽光，依然無法阻擋大量的人進入這個行業，因為有公司的需求。

那麼，公司到底有什麼樣的需求，導致了我們真的需要爬蟲/反爬蟲呢？

反爬蟲很好理解，有了爬蟲我們自然要反爬蟲。對於程序員來說，哪怕僅僅是出於「我就是要證明我技術比你好」的目的，也會去做。對於公司來說，意義更加重大，最少，也能降低伺服器負載，光憑這一點，反爬蟲就有充足的生存價值。

那麼爬蟲呢？

最早的爬蟲起源於搜索引擎。搜索引擎是善意的爬蟲，可以檢索你的一切信息，並提供給其他用戶訪問。為此他們還專門定義了robots.txt文件，作為君子協定，這是一個雙贏的局面。

然而事情很快被一些人破壞了。爬蟲很快就變的不再「君子」了。

後來有了「大數據」。無數的媒體鼓吹大數據是未來的趨勢，吸引了一批又一批的炮灰去創辦大數據公司。這些人手頭根本沒有大數據，他們的數據只要用一個U盤就可以裝的下，怎麼好意思叫大數據呢？這麼點數據根本忽悠不了投資者。於是他們開始寫爬蟲，拚命地爬取各個公司的數據。很快他們的數據，就無法用一個U盤裝下了。這個時候終於可以休息休息，然後出去吹噓融資啦。

然而可悲的是，大容量U盤不斷地在發布。他們總是在拚命地追趕存儲增加的速度。L

以上是爬蟲與反爬蟲的歷史。

一、爬蟲反爬蟲運行現狀

電子商務行業的爬蟲與反爬蟲更有趣一些，最初的爬蟲需求來源於比價。

這是某些電商網站的核心業務。大家如果買商品的時候，是一個價格敏感型用戶的話，很可能用過網上的比價功能(真心很好用啊)。毫無懸念，他們會使用爬蟲技術來爬取所有相關電商的價格。他們的爬蟲還是比較溫柔的，對大家的伺服器不會造成太大的壓力。

然而，這並不意味著大家喜歡被他爬取。畢竟這對其他電商是不利的。於是需要通過技術手段來做反爬蟲。

按照技術人員的想法，對方用技術懟過來，我們就要用技術懟回去，不能慫啊。這個想法是很好的，但是實際應用起來根本不是這麼回事。

誠然，技術是很重要的，但是實際操作上，更重要的是套路。誰的套路更深，誰就能玩弄對方於鼓掌之中。誰的套路不行，有再好的技術，也只能被耍的團團轉。這個雖然有點傷技術人員的自尊，然而，我們也不是第一天被傷自尊了。大家應該早就習慣了吧。

1、真實世界的爬蟲比例

大家應該聽過一句話吧，大概意思是說，整個互聯網上大概有50%以上的流量其實是爬蟲。第一次聽這句話的時候，我還不是很相信，我覺得這個說法實在是太誇張了。怎麼可能爬蟲比人還多呢？ 爬蟲畢竟只是個輔助而已。

現在做了這麼久的反爬蟲，我依然覺得這句話太誇張了。50%？你在逗我？就這麼少的量？

舉個例子，某公司，某個頁面的介面，每分鐘訪問量是1.2萬左右。這裡面有多少是正常用戶呢？

50%？60%？還是？

正確答案是：500以下。

也就是說，一個單獨的頁面，12000的訪問量里，有500是正常用戶，其餘是爬蟲。

注意，統計爬蟲的時候，考慮到你不可能識別出所有的爬蟲，因此，這500個用戶裡面，其實還隱藏著一些爬蟲。那麼爬蟲率大概是：

(12000-500)/12000=95.8%

這個數字你猜到了嗎？

這麼大的爬蟲量，這麼少的用戶量，大家到底是在幹什麼？是什麼原因導致了明明是百人級別的生意，卻需要萬級別的爬蟲來做輔助？ 95%以上，19保1？

答案可能會相當令人噴飯。這些爬蟲大部分是由於決策失誤導致的。

2、哭笑不得的決策思路

舉個例子，這個世界存在3家公司，售賣相同的電商產品。三家公司的名字分別是A，B，C。

這個時候，客戶去A公司查詢了下某商品的價格，看了下發現價格不好。於是他不打算買了。他對整個行業的訂單貢獻為0。

然而A公司的後台會檢測到，我們有個客戶流失了，原因是他來查詢了一個商品，這個商品我們的價格不好。沒關係，我去爬爬別人試試。

於是他分別爬取了B公司和C公司。

B公司的後台檢測到有人來查詢價格，但是呢，最終沒有下單。他會認為，嗯，我們流失了一個客戶。怎麼辦呢？

我可以爬爬看，別人什麼價格。於是他爬取了A和C。

C公司的後台檢測到有人來查詢價格。。。。。

過了一段時間，三家公司的伺服器分別報警，訪問量過高。三家公司的CTO也很納悶，沒有生成任何訂單啊，怎麼訪問量這麼高？ 一定是其他兩家禽獸寫的爬蟲沒有限制好頻率。媽的，老子要報仇。於是分別做反爬蟲，不讓對方抓自己的數據。然後進一步強化自己的爬蟲團隊抓別人的數據。一定要做到：寧叫我抓天下人，休叫天下人抓我。

然後，做反爬蟲的就要加班天天研究如何攔截爬蟲。做爬蟲的被攔截了，就要天天研究如何破解反爬蟲策略。大家就這麼把資源全都浪費在沒用的地方了。直到大家合併了，才會心平氣和的坐下來談談，都少抓點。

最近國內的公司有大量的合併，我猜這種「心平氣和」應該不少吧？

二、爬蟲反爬蟲技術現狀

下面我們談談，爬蟲和反爬蟲分別都是怎麼做的。

1、為python平反

首先是爬蟲。爬蟲教程你到處都可以搜的到，大部分是python寫的。我曾經在一篇文章提到過：用python寫的爬蟲是最薄弱的，因為天生並不適合破解反爬蟲邏輯，因為反爬蟲都是用javascript來處理。然而慢慢的，我發現這個理解有點問題（當然我如果說我當時是出於工作需要而有意黑python你們信嗎。。。）。

Python的確不適合寫反爬蟲邏輯，但是python是一門膠水語言，他適合捆綁任何一種框架。而反爬蟲策略經常會變化的翻天覆地，需要對代碼進行大刀闊斧的重構，甚至重寫。這種情況下，python不失為一種合適的解決方案。　

舉個例子，你之前是用selenium爬取對方的站點，後來你發現自己被封了，而且封鎖方式十分隱蔽，完全搞不清到底是如何封的，你會怎麼辦？你會跟蹤selenium的源碼來找到出錯的地方嗎？

你不會。你只會換個框架，用另一種方式來爬取。然後你就把兩個框架都淺嘗輒止地用了下，一個都沒有深入研究過。因為沒等你研究好，也許人家又換方式了。你不得不再找個框架來爬取。畢竟，老闆等著明天早上開會要數據呢。老闆一般都是早上八九點開會，所以你七點之前必須搞定。等你厭倦了，打算換個工作的時候，簡歷上又只能寫「了解ｎ個框架的使用」，僅此而已。　

這就是爬蟲工程師的宿命，爬蟲工程師比外包還可憐。外包雖然不容易積累技術，但是好歹有正常上下班時間，爬蟲工程師連這個權利都沒有。　

然而反爬蟲工程師就不可憐了嗎？也不是的。反爬蟲有個天生的死穴，就是：誤傷率。　

2、無法繞開的誤傷率

我們首先談談，面對對方的爬蟲，你的第一反應是什麼？

如果限定時間的話，大部分人給我的答案都是：封殺對方的IP。

然而，問題就出在，IP不是每人一個的。大的公司有出口IP，ISP有的時候會劫持流量讓你們走代理，有的人天生喜歡掛代理，有的人為了翻牆24小時掛vpn，最坑的是，現在是移動互聯網時代，你如果封了一個IP？不好意思，這是中國聯通的4G網路，5分鐘之前還是別人，5分鐘之後就換人了哦！

因此，封IP的誤傷指數最高。並且，效果又是最差的。因為現在即使是最菜的新手，也知道用代理池了。你們可以去淘寶看下，幾十萬的代理價值多少錢。我們就不談到處都有的免費代理了。

也有人說：我可以掃描對方埠，如果開放了代理埠，那就意味著是個代理，我就可以封殺了呀。　

事實是殘酷的。我曾經封殺過一個IP，因為他開放了一個代理埠，而且是個很小眾的代理埠。不出一天就有人來報事件，說我們一個分公司被攔截了。我一查IP，還真是我封的IP。我就很鬱悶地問他們IT，開這個埠幹什麼？他說做郵件伺服器啊。我說為啥要用這麼奇怪的埠？他說，這不是怕別人猜出來么？我就隨便取了個。

掃描埠的進階版，還有一種方式，就是去訂單庫查找這個IP是否下過訂單，如果沒有，那麼就是安全的。如果有，那就不安全。有很多網站會使用這個方法。然而這其實只是一種自欺欺人的辦法而已。只需要下一單，就可以永久洗白自己的IP，天下還有比這更便宜的生意嗎？

因此，封IP，以及封IP的進階版：掃描埠再封IP，都是沒用的。根本不要考慮從IP下手，因為對手會用大量的時間考慮如何躲避IP封鎖，你幹嘛和人家硬剛呢。這沒有任何意義。

那麼，下一步你會考慮到什麼？

很多站點的工程師會考慮：既然沒辦法阻止對方，那我就讓它變的不可讀吧。我會用圖片來渲染關鍵信息，比如價格。這樣，人眼可見，機器識別不出來。　

這個想法曾經是正確的，然而，坑爹的技術發展，帶給我們一個坑爹的技術，叫機器學習。順便帶動了一個行業的迅猛發展，叫OCR。很快，識別圖像就不再是任何難題了。甚至連人眼都很難識別的驗證碼，有的OCR都能搞定，比我肉眼識別率都高。更何況，現在有了打碼平台，用資本都可以搞定，都不需要技術。

那麼，下一步你會考慮什麼？

這個時候，後端工程師已經沒有太多的辦法可以搞了。　

不過後端搞不定的事情，一般都推給前端啊，前端從來都是後端搞不定問題時的背鍋俠。　多少年來我們都是這麼過來的。前端工程師這個時候就要勇敢地站出來了：

「都不要得瑟了，來比比誰的前端知識牛逼，你牛逼我就讓你爬。」

我不知道這篇文章的讀者里有多少前端工程師，我只是想順便提一下：你們以後將會是更加搶手的人才。　

3、前端工程師的逆襲

我們知道，一個數據要顯示到前端，不僅僅是後端輸出就完事了，前端要做大量的事情，　比如取到json之後，至少要用template轉成html吧？ 這已經是步驟最少最簡單的了。然後你總要用css渲染下吧？ 這也不是什麼難事。

等等，你還記得自己第一次做這個事情的時候的經歷嗎？真的，不是什麼難事嗎？

有沒有經歷過，一個html標籤拼錯，或者沒有閉合，導致頁面錯亂？一個css沒弄好，導致整個頁面都不知道飄到哪去了？

這些事情，你是不是很想讓別人再經歷一次？

這件事情充分說明了：讓一個資深的前端工程師來把事情搞複雜一點，對方如果配備了資深前端工程師來破解，也需要耗費3倍以上的時間。畢竟是讀別人的代碼，別人寫代碼用了一分鐘，你總是要讀兩分鐘，然後罵一分鐘吧？這已經算很少的了。如果對方沒有配備前端工程師。。。那麼經過一段時間，他們會成長為前端工程師。

之後，由於前端工程師的待遇比爬蟲工程師稍好一些，他們很快會離職做前端，既緩解了前端人才缺口，又可以讓對方缺人，重招。而他們一般是招後端做爬蟲，這些人需要再接受一次折磨，再次成長為前端工程師。這不是很好的事情嗎。

所以，如果你手下的爬蟲工程師離職率很高，請仔細思考下，是不是自己的招聘方向有問題。

那麼前端最坑爹的技術是什麼呢？前端最坑爹的，也是最強大的，就是我們的：javascript。

Javascript有大量的花樣可以玩，毫不誇張的說，一周換一個feature(bug)給對方學習，一年不帶重樣的。這個時候你就相當於一個面試官，對方要通過你的面試才行。

舉個例子，Array.prototype里，有沒有map啊？什麼時候有啊？你說你是xx瀏覽器，那你這個應該是有還是應該沒有啊？你說這個可以有啊？可是這個真沒有啊。那[]能不能在string裡面獲取字元啊？哪個瀏覽器可以哪個不行啊？咦你為什麼支持webkit前綴啊？等等，剛剛你還支持怎麼現在不支持了啊？你聲明的不對啊。

這些對於前端都是簡單的知識，已經習以為常了。但是對於後端來說簡直就是噩夢。

然而，前端人員自己作死，研究出了一個東西，叫：nodejs。基於v8，秒殺所有的js運行。

不過nodejs實現了大量的feature，都是瀏覽器不存在的。你隨隨便便訪問一些東西（比如你為什麼會支持process.exit），都會把node坑的好慘好慘。而且。。。瀏覽器里的js，你拉到後台用nodejs跑，你是不是想到了什麼安全漏洞？這個是不是叫，代碼與數據混合？如果他在js里跑點噁心的代碼，瀏覽器不支持但是node支持怎麼辦？

還好，爬蟲工程師還有phantomjs。但是，你怎麼沒有定位啊？ 哈哈，你終於模擬出了定位，但是不對啊，根據我當前設置的安全策略你現在不應該能定位啊？你是怎麼定出來的？連phantomjs的作者自己都維護不下去了，你真的願意繼續用嗎？

當然了，最終，所有的反爬蟲策略都逃不脫被破解的命運。但是這需要時間，反爬蟲需要做的就是頻繁發布，拖垮對方。如果對方兩天可以破解你的系統，你就一天一發布，那麼你就是安全的。這個系統甚至可以改名叫做「每天一道反爬題，輕輕鬆鬆學前端」。

4、誤傷，還是誤傷

這又回到了我們開始提到的「誤傷率」的問題了。我們知道，發布越頻繁，出問題的概率越高。那麼，如何在頻繁發布的情況下，還能做到少出問題呢？

此外還有一個問題，我們寫了大量的「不可讀代碼」給對方，的確能給對方造成大量的壓力，但是，這些代碼我們自己也要維護啊。如果有一天忽然說，沒人爬我們了，你們把代碼下線掉吧。這個時候寫代碼的人已經不在了，你們怎麼知道如何下線這些代碼呢？

這兩個問題我暫時不能公布我們的做法，但是大家都是聰明人，應該都是有自己的方案的，軟體行業之所以忙的不得了，無非就是在折騰兩件事，一個是如何將代碼拆分開，一個是如何將代碼合併起來。

關於誤傷率，我只提一個小的tip：你可以只開啟反爬蟲，但是不攔截，先放著，發統計信息給自己，相當於模擬演練。等統計的差不多了，發現真的開啟了也不會有什麼問題，那就開啟攔截或者開啟造假。

這裡就引發了一個問題，往往一個公司的各個頻道，爬取難度是不一樣的。原因就是，誤傷檢測這種東西與業務相關，公司的基礎部門很難做出通用的。只能各個部門自己做。甚至有的部門做了有的沒做。因此引發了爬蟲界一個奇葩的通用做法：如果PC頁面爬不到，　就去H5試試。如果H5很麻煩，就去PC碰碰運氣。

三、爬蟲反爬蟲套路現狀

那麼一旦有發現對方數據造假怎麼辦？

早期的時候，大家都是要抽查數據，通過數據來檢測對方是否有造假。這個需要人工核對，成本非常高。可是那已經是洪荒時代的事情了。如果你們公司還在通過這種方式來檢測，說明你們的技術還比較落伍。

之前我們的競爭對手是這麼乾的：他們會抓取我們兩次，一次是他們解密出來key之後，用正經方式來抓取，這次的結果定為A。一次是不帶key，直接來抓，這次的結果定為B。根據前文描述，我們可以知道，B一定是錯誤的。那麼如果A與B相等，說明自己中招了。這個時候會停掉爬蟲，重新破解。

1、不要回應

所以之前有一篇關於爬蟲的文章，說如何破解我們的。一直有人要我回復下。我一直覺得沒什麼可以回復的。

第一，反爬蟲被破解了是正常的。這個世界上有個萬能的爬蟲手段，叫「人肉爬蟲」。假設我們就是有錢，在印度開個分公司，每天雇便宜的勞動力用滑鼠直接來點，你能拿我怎麼辦？第二，我們真正關心的是後續的這些套路。而我讀了那篇文章，發現只是調用了selenium並且拿到了結果，就認為自己成功了。

我相信你讀到這裡，應該已經明白為什麼我不願意回復了。我們最重要的是工作，而不是誰打誰的臉。大家如果經常混技術社區就會發現，每天熱衷於打別人臉的，一般技術都不是很好。

當然這並不代表我們技術天下第一什麼的。我們每天面對大量的爬蟲，還是遇到過很多高手的。就如同武俠小說里一樣，高手一般都比較低調，他們默默地拿走數據，很難被發現，而且頻率極低，不會影響我們的考評。你們應該明白，這是智商與情商兼具的高手了。

我們還碰到拉走我們js，砍掉無用的部分直接解出key，相當高效不拖泥帶水的爬蟲，一點廢請求都沒有（相比某些爬蟲教程，總是教你多訪問寫沒用的url免得被發現，真的不知道高到哪裡去了。這樣做除了會導致機器報警，導致對方加班封鎖以外，對你自己沒有任何好處）。

而我們能發現這一點僅僅是是因為他低調地寫了一篇博客，通篇只介紹技術，沒有提任何沒用的東西。

這裡我只是順便發了點小牢騷，就是希望後續不要總是有人讓我回應一些關於爬蟲的文章。線下我認識很多爬蟲工程師，水平真的很好，也真的很低調（不然你以為我是怎麼知道如何對付爬蟲的。。。），大家都是一起混的，不會產生「一定要互相打臉」的情緒。

順便打個小廣告，如果你對這個行業有興趣，可以考慮聯繫HR加入我們哦。反爬蟲工程師可以加入攜程，爬蟲工程師可以加入去哪兒。

2、進化

早期我們和競爭對手打的時候，雙方的技術都比較初級。後來慢慢的，爬蟲在升級，反爬蟲也在升級。這個我們稱為「進化」。我們曾經給對方放過水，來試圖拖慢他們的進化速度。然而，效果不是特別理想。爬蟲是否進化，取決於爬蟲工程師自己的KPI，而不是反爬蟲的進化速度。

後期打到白熱化的時候，用的技術越來越匪夷所思。舉個例子，很多人會提，做反爬蟲會用到canvas指紋，並認為是最高境界。其實這個東西對於反爬蟲來說也只是個輔助，canvas指紋的含義是，因為不同硬體對canvas支持不同，因此你只要畫一個很複雜的canvas，那麼得出的image，總是存在像素級別的誤差。考慮到爬蟲代碼都是統一的，就算起selenium，也是ghost的，因此指紋一般都是一致的，因此繞過幾率非常低。

但是！這個東西天生有兩個缺陷。第一是，無法驗證合法性。當然了，你可以用非對稱加密來保證合法，但是這個並不靠譜。其次，canvas的衝突概率非常高，遠遠不是作者宣稱的那樣，衝突率極低。也許在國外衝突是比較低，因為國外的語言比較多。但是國內公司通常是IT統一裝機，無論是軟體還是硬體都驚人的一致。我們測試canvas指紋的時候，在攜程內部隨便找了20多台機器，得出的指紋都完全一樣，一丁點差別都沒有。因此，有些「高級技巧」其實一點都不實用。

3、法律途徑

此外就是大家可能都考慮過的：爬蟲違法嗎？能起訴對方讓對方不爬嗎？法務給的答案到是很乾脆，可以，前提是證據。遺憾的是，這個世界上大部分的爬蟲爬取數據是不會公布到自己網站的，只是用於自己的數據分析。因此，即使有一些關於爬蟲的官司做為先例，並且已經打完了，依然對我們沒有任何幫助。反爬蟲，在對方足夠低調的情況下，註定還是個技術活。

4、搞事情，立Flag

到了後來，我們已經不再局限於打打技術了。反爬蟲的代碼里我們經常埋點小彩蛋給對方，比如寫點注釋給對方。雙方通過互相交戰，頻繁發布，居然聊的挺high的。

比如問問對方，北京房價是不是很高啊？對方回應，歐巴，我可是憑本事吃飯哦。繼續問，搖到號了嗎？諸如此類等等。這樣的事情你來我往的，很容易動搖對方的軍心，還是很有作用的。試想一下，如果你的爬蟲工程師在大年三十還苦逼加班的時候，看到對方留言說自己拿到了n個月的年終獎，你覺得你的工程師，離辭職還遠嗎？

最後，我們終於搞出了大動作，覺得一定可以坑對方很久了。我們還特意去一家小火鍋店吃了一頓，慶祝一下，準備明天上線。大家都知道，一般立flag的下場都比較慘的。兩個小時的自助火鍋，我們剛吃五分鐘，就得到了我們投資競爭對手的消息。後面的一個多小時，團隊氣氛都很尷尬，誰也說不出什麼話。我們組有個實習生，後來鼓足勇氣問了我一個問題：

「我還能留下來嗎？」

畢竟，大部分情況下，技術還是要屈服於資本的力量。

四、爬蟲反爬蟲的未來

與競爭對手和解之後，我們去拜訪對方，大家坐在了一起。之前網上自稱妹子的，一個個都是五大三粗的漢子，這讓我們相當絕望，在場唯一的一個妹子還是我們自己帶過去的（就是上面提到的實習生），感覺套路了這麼久，最終還是被對方套路了。

好在，吃的喝的都很好，大家玩的還是比較high的。後續就是和平年代啦，大家不打仗了，反爬蟲的邏輯扔在那做個防禦，然後就開放白名單允許對方爬取了。群里經常叫的就是：xxx你怎麼頻率這麼高，xxx你為什麼這個介面沒給我開放，為什麼我爬的東西不對我靠你是不是把我封了啊。諸如此類的。

和平年代的反爬蟲比戰爭年代還難做。因為戰爭年代，誤傷率只要不是太高，公司就可以接受。和平年代大家不能搞事情，誤傷率稍稍多一點，就會有人叫：好好的不賺錢，瞎搞什麼搞。此外，戰爭年代只要不攔截用戶，就不算誤傷。和平年代還要考慮白名單，攔截了合作夥伴也是誤傷。因此各方面會更保守一些。不過，總體來說還是和平年代比較happy。畢竟，誰會喜歡沒事加班玩呢。

然而和平持續的不是很久，很快就有了新的競爭對手選擇爬蟲來與我們打。畢竟，這是一個利益驅使的世界。只要有大量的利潤，資本家就會殺人放火，這不是我們這些技術人員可以決定的。我們希望天下無蟲，但是我們又有什麼權利呢。

好在，這樣可以催生更多的職位，順便提高大家的身價，也算是個好事情吧。

【作者簡介】崔廣宇，攜程酒店研發部開發經理，與去哪兒藝龍的反爬蟲同事是好基友。攜程技術中心「非著名」段子手。

沒看夠？更多來自攜程技術人的一手乾貨，歡迎搜索關注「攜程技術中心」微信公號哦~