来我公司写爬虫吗？会坐牢的那种!(一)

场景：

“你交代一下，总共抓了多少数据，在哪些网站抓的，数据干什么用？看看够在里面呆几年。。。”警察语气凝重地对小张说。

程序员小张，在一家大数据信用企业公司担任爬虫工程师，曾有段子：爬虫学得好，监狱进得早！

引言：

当然上面举例仅是一个段子，在互联网公司，爬虫工程师一抓一大把，由于对数据需求的存在，互联网界承认爬虫的存在，你爬虫写得好，我反爬写得更好，所谓魔高一尺，道高一丈，这是一个博弈的过程。

站在辩证的角度，爬虫有恶意的，起着消极的作用；也有善意的，能给你带来利益的。所以不能以偏概全，要站在一定高度，透过现象看到本质，抓住第一性原理。

小鸽子同学通过三个问题深度反思来了解爬虫的来龙去脉，以供更多人学习。

(一）什么是爬虫，为什么要用爬虫？

(二）担任爬虫工程师真的触犯法律吗？

(三）针对爬虫常见的技术难点如何解决？

(一)什么是爬虫，为什么要用爬虫？

1）什么是爬虫

简单来讲，爬虫就是一个探测机器，它的基本操作就是模拟人的行为去各个网站溜达，点点按钮，查查数据，或者把看到的信息背回来。就像一只虫子在一幢楼里不知疲倦地爬来爬去。

你可以简单地想象：每个爬虫都是你的“分身”。就像孙悟空拔了一撮汗毛，吹出一堆猴子一样。

你每天使用的百度，其实就是利用了这种爬虫技术：每天放出无数爬虫到各个网站，把他们的信息抓回来，然后化好妆排着小队等你来检索；比如，各大ota的机票信息，从各个航空公司官网上爬取数据，整合国内国际机票价格，等你来检索比价，选择自己最满意的航班；再比如，抢票软件，就相当于撒出去无数个分身，每一个分身都帮助你不断刷新12306网站的火车余票。一旦发现有票，就马上拍下来，然后对你喊：土豪快来付款。

2）爬虫也分善恶

像百度这样的搜索引擎爬虫，每隔几天对全网的网页扫一遍，供大家查阅，各个被扫的网站大都很开心。这种就被定义为“善意爬虫”。但是，像抢票软件这样的爬虫，对着12306每秒恨不得撸几万次。铁总并不觉得很开心。这种就被定义为“恶意爬虫”。（注：抢票的你觉得开心没用，被扫描的网站觉得不开心，会增加服务器压力，它就是恶意的。）

这张图里显示的，就是各行各业被爬取的比例，每一个 {MOD}块背后，都是一条真实而强大的利益链条。

接下来，小鸽子给你科普下爬虫为什么存在的背后利益关系。

排名第一的是出行，出行行业中爬虫的占比最高（20.87%）。在出行模块中，有89%的流量都是冲着12306去的。这不意外，全中国买火车票的独此一家。还记得当年12306上线王珞丹和白百合的“史上最坑图片验证码”么？

这些东西不是为了故意刁难老实卖票的人，而恰恰是为了阻止爬虫的点击，刚才说了，爬虫只会简单的机械点击，他不认识白百合，那么面对这么刁难的验证码，抢票软件是如何识别的呢？

有一种东西叫做“打码平台”，可以百度了解下。

打码平台雇佣了很多叔叔阿姨，他们在电脑屏幕前不做别的事情，专门帮人识别验证码，那边抢票软件遇到了验证码，系统会自动把这些验证码推送到叔叔阿姨面前，他们手工选好哪个是白百合哪个是王珞丹，然后再把结果回传过去。总共耗时不过几秒钟。当然，这样的打码平台还有记忆功能，如果叔叔阿姨已经标记了这张图是“电饭煲”，那么下次这张图在出现的时候，系统就直接判断它是“电饭煲”。时间久了，12306系统里的图库就被标记完了，机器自己都能认识，不需要叔叔阿姨了。

这是利益链条之一，打码平台是个第三方平台，典型的比如：若快，抢票软件为了获取12306的火车票数据，会接入若快，识别一张验证码按照0.2元计算给若快，那些注册了若快账号的叔叔阿姨，会接受到推送过来的验证码，若快按照0.1元结算给叔叔阿姨，这已然形成了一条巨大的利益链条。当然若快是根据叔叔阿姨识别的正确率，速度，体量等几个方面，来选择推送，有些叔叔阿姨做得好的，一天入账600没问题。

也许你会问，抢票软件怎么赚钱呢，这里面变现的方式太多了，其中之一，作为买票者，可以掏钱预订某时段的火车票，一旦发现有票，抢票软件立马抢到，除了收你的预订费，还会附加保险等，或者直达没有，可以联程等。

你可能会问：为什么12306这么抠呢？它大方地让爬虫随意爬会死吗？答：会死。你知道每年过年之前，12306被点成什么样了吗？公开数据是这么说的：“最高峰时1天内页面浏览量达813.4亿次，1小时最高点击量59.3亿次，平均每秒164.8万次。”这还是加上验证码防护之后的数据，可想而知被拦截在外面的爬虫还有多少。这也是为什么每逢春节，你去12306上抢票，第一秒看到的还是有票，第二秒就没票了。这也是为什么铁总会邀请阿里做技术顾问的原因。

同样和铁总一样惨烈的难兄难弟，就是航空。国内四大航空，国东南海，均有被爬取的烦恼，当然最惨的是国际航空亚航。

很多人可能都没做过亚洲航空，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，是穷屌丝首选。

为什么爬虫这么青睐亚航呢，因为它便宜，确切的说，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。

技术黄牛党利用爬虫，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。亚航有规定，你拍下来半小时（具体时间记不清了）不付款就自动回到票池，继续卖。但黄牛党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0.0001秒之后，就帮你用你的名字预订了这张票。

“我是中间商，我就要赚差价！”这波操作，堪称完美。

当然有些航司也愿意让你去爬取，特别是那些不知名的小航司，本来网站流量不大，知名度不高，经过你的爬虫程序，反而可以提高他的影响力，这些都需要辩证对待。

小鸽子同学曾经也爬取过国内国际各大航司的票价数据，以及值机数据，如果ota和航司关系好的话，可以直接拿到航司接口，要么就是爬取官网数据，渠道丰富多彩，包括公众号，小程序，app，pc官网，以及web页面。

任何有利可图的角角落落，都有可能存在爬虫的影子。

总结：

爬虫是趋利的，它们永远会向有利益的地方爬行。而爬虫觉得有利益的地方，往往是我们不忍提及的隐痛。有人说技术有罪，有人说技术无罪。不管有罪无罪，我们需要合理善用爬虫。抱怨这个世界没用，唯有用双手去行动，合理善用技术手段，创造美好世界才是正道。

注：本主题共三讲，本篇只做第一讲，后续敬请期待。

我是鸽子，一名互联网的从业者，现任阿里巴巴集团，新零售技术事业群，技术专家，如果你也有意愿想来阿里闯一下的话，不妨私信我，甩个简历过来，我们共同学习，共同进步。邮箱：chenge.wcg@alibaba-inc.com微信号：wangchengewcg

今天最好的表现，是明天最低的要求。

欢迎关注公众号：架构漫谈

博主是一名非科班出身的互联网技术从业者。爱学习爱分享，立志践行终身学习者。此公号主要分享管理&技术&成长&认知&产品&相关干货。关注不迷路。