专栏丨当代“爬虫”现状一、“爬虫”是什么大东：小

一、“爬虫”是什么
大东：小白，身为计算机学科的学生， “网络爬虫”你应该不陌生吧？
小白：那当然了，写的最多的就是“爬虫”程序了。
大东：既然你这么熟悉，能给我讲讲什么是“爬虫”么？
小白：当然能，终于有一天能给大东动反向传播知识啦，哈哈哈！“网络爬虫”就是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本，能够把网站上的信息收集回来，并且能在网站之间游走。
大东：没错。随着网络的迅速发展，万维网成为大量信息的载体，如何有效地提取并利用这些信息成为一个巨大挑战，搜素引擎就是一种典型的“爬虫”应用，它每隔几天对全网的网页扫一遍，以便大家查阅，被扫网站也乐意被收集。但是，小白你知道吗？“爬虫”也分善恶！
小白：我可没有写过恶意的“爬虫” ，大东东你别看我。
大东：像抢票软件这样的“爬虫” ，对着 12306 每秒扫几万次，被扫网站对它十分厌恶。
小白；哦，作为12306用户的我，也挺讨厌抢票软件的。
大东：那你知道网络世界这么多“爬虫” ，都爱爬哪些网站？
小白：我猜...我猜不出来...求大东东指教！
文章插图
网络爬虫（图片来自网络）
二、爬虫分布图
大东：根据“python技术客栈”公开的世界“网络爬虫”分析结果，爬虫最多的就是出行软件，比如前面所说的12306就是他们的目标之一；紧随其后的是社交软件、电商软件。
文章插图
“爬虫”流量目标行业分布（图片来自网络）
小白：没想到“爬虫”种类还不少呢！
1、“爬虫”最大聚集地——出行软件
大东：出行行业中“爬虫”的占比最高，在出行的“爬虫”中，有89.02%的流量都是冲着 12306 去的。
小白：哇哦，全中国卖火车票的独此一家别无分号，也难怪呢。
大东：小白你有没有发现， 12306的验证码比其他网站的更为复杂呢？
小白：没错，有时候我甚至觉得自己智商不够用了。
大东：这些东西不是为了故意难为卖票的普通用户，而恰恰是为了阻止抢票软件这种“爬虫”的点击。简单的“爬虫”无法正确识别复杂二维码，因此就能够被挡在门外。
小白：不对啊，可现在还是可以用抢票软件抢到票啊。
大东：没错。抢票软件也不是吃素的，它们在和12306搞“对抗” 。 “打码平台” ，你听说过吗？
小白：那是啥？
大东：打码平台雇佣了很多叔叔阿姨，他们的工作就是帮人识别验证码。当抢票软件遇到了验证码，系统就会自动把这些验证码传到他们面前，以人工的方式完成识别，然后再把结果传回去。这期间总共只需要几秒时间。
小白：厉害了啊！
大东：这样的打码平台还有记忆功能，当遇到已经标记过的图，系统能直接判断它是验证答案。时间一长， 12306 系统里的图片就被标记完了，机器自己都能认识，人工环节就可以省略了。
小白：人工击败数据库啊这是！
大东：每当过年前，就是12306最繁忙的时候。据公开数据表示：“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。
小白：天呐，我回家的票就是被他们抢走的。
大东：被抢票软件把票抢走，对我们父母那样的不会抢票的人来说，是不是公平呢？
小白：太过分了！
文章插图
12306验证码（图片来自网络）
2、水军势力——社交软件“爬虫”
小白：社交软件也有什么可“爬”的么？
大东：你想，如果我能随心所欲地指挥一帮机器人，打开某人的微博，然后刷到某一条，然后疯狂关注、点赞或者留言……
小白：噢！僵尸粉！
大东：你想这个场景：一个路人甲的微博没人关注，于是用大量的“爬虫”给自己做了十万人的僵尸粉，一群僵尸在我的微博下面点赞评论，不亦乐乎。
小白：这有啥好乐的？
大东：接着，路人甲找到一个游戏厂商，跟他说：你看我有这么多粉丝，你在我这投广告吧。我帮你发一条游戏的注册链接，每有一个人通过我的链接注册了游戏，你就给我一毛钱。广告主说，不错，就这么办。