|
在一大堆技術術語里，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特別好地表現出了這項技術的作用——像密密麻麻的蟲子一樣分佈在網絡上，爬行至每一個角落獲取數據；也一定程度上表達了人們對這項技術的情感傾向——蟲子或許無害，但總是不受歡迎的。 有關爬蟲的功能、益處或危害，此前已經有過很多討論。因為爬蟲技術造成的大量IP訪問網站侵佔帶寬資源、以及用戶隱私和知識產權等危害，很多互聯網企業都會花大力氣進行「反爬蟲」。 相比爬蟲技術本身，反爬蟲其實更加複雜，發展歷程也更加有趣。 我們如何反爬蟲？先禮後兵、再對簿公堂幾乎是和爬蟲技術誕生的同一時刻，反爬蟲技術也誕生了。在90年代開始有搜索引擎網站利用爬蟲技術抓取網站時，一些搜索引擎從業者和網站站長通過郵件討論定下了一項「君子協議」—— robots.txt。即網站有權規定網站中哪些內容可以被爬蟲抓取，哪些內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。 爬蟲技術剛剛誕生時我們還處於上古時代，互聯網是一片賢者雲集的樂土，大多數從業者都會默守這一協定，畢竟那時候信息和數據都沒什麼油水可撈。但很快互聯網上開始充斥着商品信息、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議了。 當君子協議失效，我們開始改用技術手段阻攔爬蟲的入侵。比如從訪問數量上發現爬蟲，當我們在某一網站瀏覽過快時，系統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標籤，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站中出入，只能加大爬蟲的訪問難度。如果網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，也很可能讓網站無法被搜索引擎收錄。 所以，在所有的先禮後兵都對爬蟲失效時。最後反爬蟲的手段只有最後一項——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於爬蟲的官司誕生在2000年，eBay將一家聚合價格信息的比價網站BE告上了法庭，eBay聲稱自己已經將哪些信息不能抓取寫進了爬蟲協議中，但BE違反了這一協議。但BE認為eBay上的內容屬於用戶集體貢獻而不歸用戶所有，爬蟲協議不能用作法律參考。 最後經過業內反覆討論和法庭上的幾輪唇槍舌戰，最終以eBay勝訴告終，也開了用爬蟲協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、怎麼爬、誰的爬蟲能爬，都得由被爬的公司決定嗎？掌握了這種權力時，商業世界的唯利和自私立刻暴露無遺。 有一個說法是，互聯網上50%的流量都是爬蟲創造的。這個說法雖然誇張了點，但也體現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網企業帶來收益。
就拿電商網站來說，很多電商網站是願意被比價網站或者其他購物信息網站爬取信息的，因為這樣能夠給他們的商品帶來更多流量。但他們不願意被其他電商網站獲取價格信息和商品描述，因為擔心其他電商網站惡意比價或進行抄襲。同時他們又經常去爬其他電商網站的數據，希望能夠看到別人的價格。 這種糾結又複雜的心情就像學霸間的競爭，學霸可以給學渣抄筆記，因為知道學渣再怎麼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」都會在協議中寫清楚，禁止對方爬取數據。 當然，至於雙方是否遵守這一君子協定就很難說了。 同時也有一些網站，一開始會默許其他網站爬取數據，一段時間過後卻又會將爬取數據的網站告上法庭。最典型的例子就是領英，領英在2017年曾經將一家名為HiQ的數據分析企業告上法庭，原因是認定這家企業抓取領英用戶的就職狀態信息，提供給另外兩家利用機器學習分析員工跳槽傾向和職業技能的企業。 結果卻是即使打着保護用戶隱私的旗號，領英仍然敗訴並且被聯邦法庭要求開放數據接口。原因是HiQ已經這樣爬取領英的數據長達五年，領英一直知情並且曾經去參加過HiQ組織的論壇峰會。如今領英自己開展了和HiQ類似的業務，就要斷了HiQ的生路。 從2000年到2017年，之所以會有這兩場結局截然不同的官司，是因為我們製造爬蟲和反爬蟲的初衷都發生了變化。從一開始的獲取信息和保護隱私，變成了如今的獲取商業利益和反制對手 爬蟲製造者說：道德是反爬蟲的最好方法？就着這個話題，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「什麼才是最好的語言」、「早期的鎚子手機是不是垃圾」這樣的問題上。但在反爬蟲的問題上，程序員們似乎呈現出了空前的一致。 一位就職於小型OTA的程序員表示，公司在剛剛起步時經常會要求他們爬取旅遊網站的旅遊路線，這時他們通常會選擇中青旅遨遊網這樣傳統企業基因更濃厚的網站，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據這樣的臟活累活外包出去，而在反爬蟲時，如果數據爬取方技術足夠好，不給服務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隻眼閉一隻眼。 同時雙方都承認，有時候會自己出於興趣製作一些小爬蟲程序，方便獲取一些數據。 在提到爬蟲技術的合法性時，他們告訴我，法律很難阻止爬蟲技術。除非在競品之間、涉及到對用戶原創內容的批量搬運，類似之前360快視頻批量搬運B站視頻、以及近期出現的大眾點評批量搬運小紅書內容等等。至於那些爬取他人數據用作分析的，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，企業很難清楚的展現出自己哪裡受了損失，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，從技術角度有沒有什麼好的反爬蟲手段時，他們告訴我最好的反爬蟲手段並非技術也並非法律，而是公關——帶上截圖找幾個媒體爆料一下，帶點侵權、入侵數據庫、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技術人員對爬蟲的無可奈何。但可以預見的是，隨着大數據和機器學習應用越來越廣，對爬蟲睜一隻眼閉一隻眼、與爬蟲和平共處的時代很快就要過去了。 最主要的問題是，爬蟲的出現會極大地增加數據分析難度。 當數據分析企業利用爬蟲獲取數據進行分析時，大量爬蟲的存在正在讓這些數據失實。文章瀏覽量的失實讓我們誤判人們對新聞事實的關注程度、爬蟲衍生出的虛擬IP需要在數據清洗時剔除……技術越高超的爬蟲，在行為模式上就越接近真人，也就更加增加數據分析時的難度。久而久之，那些我們以為從人類行為中尋找規律的算法，反而尋找到的是機械人的行為規律。 同時爬蟲帶來的流量波動也會讓機器學習算法產生誤判。 最典型的例子是機票的動態定價，網站會結合當下瀏覽量判定機票的搶手程度並且調整價格。這時如果有大量爬蟲在瀏覽網站，算法就會給出和實際情況並不符合的定價，也損傷了消費者購買到廉價產品的權益。 甚至一些數據分析企業還打出了「AI爬蟲」的招牌，讓爬蟲腳本的行為模式更加接普通用戶，讓被爬的企業難以發掘，甚至還會利用圖像識別技術破解網站用作攔截的驗證碼。 在這種情況下，網站分辨人與機械人就變得更加困難也更加重要。很多網站也開始利用機器學習技術反制AI爬蟲，比如為圖形驗證碼動態打碼應對圖像識別。同時現在PC和移動終端的硬件技術發展，也讓生物識別這種更複雜的驗證手段有可能加入戰鬥。雙方正在站在同一水平線上，利用技術互相鬥法。 可以說爬蟲技術和反爬蟲技術之間鬥爭了十幾年，可真正的「戰爭」卻從現在才剛剛開始。在徹底制服惡意爬蟲之前，對於一切大數據、精準預測之類的「吹噓」，我們最好保持着三分懷疑。 |
|
|
