一個爬蟲的故事：這是人乾的事兒？_風聞

　　爬蟲原理

　　我是一個爬蟲，每天穿行於互聯網之上，爬取我需要的一切。

　　説起來還要感謝HTTP協議，因為它，全世界的網站和瀏覽器才能夠連接通信，而我也是藉助HTTP協議，獲取我想要的數據。

　　我只需要偽裝成一個瀏覽器，向服務器發送HTTP請求，就能拿到網頁HTML文件。

　　接着，我再按照HTML的格式規範，去解析其中的圖片

　　獲取鏈接標籤以後，我又可以進一步爬取鏈接背後的網頁，如此反覆，要不了多久，一個網站中暴露出來的內容我就能爬個乾淨。

　　當然了，咱們做爬蟲也還是有底線的。幹我們這一行，有一個約定俗成的規定，那就是Robots協議。

　　只要你在網站的根目錄下放置一個叫robots.txt的文件，裏面寫上哪些目錄禁止訪問，我就會繞道而行，就像這樣：

　　User-agent: *

　　Disallow: /a/

　　Disallow: /b/

　　Disallow: /c/

　　就像程序員們經常互相鄙視一樣，在咱們爬蟲的圈子裏，也存在鄙視鏈。

　　地位最高的要數搜索引擎的爬蟲了，他們高高在上，正大光明的爬，各個網站歡迎還來不及，都想被他們收錄到搜索引擎之中，給網站帶來流量。這些爬蟲，都是圈子裏的大佬，我們惹不起。

　　另外有一些爬蟲，他們有的不遵守robots協議，隨意亂爬，有的一天天的淨知道爬美女圖片，把人家服務器爬崩潰了，這些爬蟲我們也是看不起的。

　　像我這樣老實本分的爬蟲，平日的工作就是爬取一些網站的數據，像購物網站、點評網站等等。雖然我們很守規矩，但這些個網站還是很不待見我們，為了拿到數據，我們展開了曠日持久的拉鋸戰。

　　反爬蟲技術

　　現在很多網站都上雲了，雲上的資源可昂貴了，CPU、內存、存儲這些都價格不菲，尤其是網絡帶寬，價格是真心貴。

　　那些網站不待見咱們這些爬蟲也就可以理解了，我們不像搜索引擎爬蟲可以給他們帶來好處，相反，還會消耗他們的服務器性能，花掉他們寶貴的流量，那可是白花花的人民幣，誰不心疼啊？

　　所以這些網站加了一個措施：一旦在HTTP請求中的user-agent字段發現這是一個爬蟲，那就不搭理我們了。

　　這個user-agent是HTTP協議中表示客户端名字的字段，那個時候我剛剛入行，沒什麼經驗，不懂得偽裝，很容易就被發現。

　　為了能夠繼續爬數據，我只好改頭換面，偽裝成了瀏覽器的名字，圈子裏有的兄弟還偽裝成了搜索引擎爬蟲的名字，我可不像他們那樣沒下線。

　　這一招管用了沒多久，這些網站就升級了策略，通過我們的行為來識別是不是真的瀏覽器。我們畢竟是程序，那速度比人類點擊快多了，網站一旦發現我們短時間內發起了很多請求，那就掐斷連接。

　　我只好降低爬取的頻率，避免被拉入黑名單。

　　有些網站更狠，在網頁裏面插入一些假的圖片，只有幾個像素那種，人類的眼睛是看不見的，但是我們不知道啊，對我來説都是

　　為了拿到數據，我只好也學着去請求這些數據接口，不過因為這些網站都有API網關，會檢查請求的Token或者Authorization之類的認證字段，再加上我不知道他們的接口參數格式，導致我經常拿不到數據。

　　到了最近兩年，我拿到的網頁HTML越來越簡單了，在瀏覽器中豐富多彩的頁面，一查看源代碼竟然只有簡單幾行，真是見了鬼了！

　　終於有一天，一個前輩告訴我，現在流行單頁應用SPA了，頁面全都是在前端動態生成的，拿到的HTML根本沒有價值。

　　這簡直欺人太甚了！

　　一不做二不休，我決定弄一個真正的瀏覽器進來，這個內嵌的瀏覽器沒有界面，專門為我服務，嵌入到我的程序中，讓他去真正的渲染網頁，渲染完成後我再去取數據！

　　這是真正意義上模擬人類去訪問網站了，再也不用模擬繁瑣的數據接口訪問，也不用擔心單頁應用，前端渲染就前端渲染，我再也不怕了！

　　驗證碼

　　到後來，不知道是誰發明的，網站們紛紛用上了一種叫驗證碼的技術，給我們出了難題。

　　開始的驗證碼還算比較簡單，一般都是些簡單的數字、英文字符做了些變形，就像這樣：

　　圈子裏很快有大佬教我們用文字識別技術OCR來自動識別這種驗證碼，我也折騰了一下，費了老大勁終於可以識別出來，準確率不敢説100%，99%還是有的。

　　不過沒多久，這驗證碼就變得越來越複雜，什麼漢字識別，物體識別，滑動解鎖，一個比一個難，根本超出了我的理解範圍，你瞧瞧下面這些驗證碼，這是人乾的事兒嗎？

　　哎，這還真是人才能幹的事，不是我們爬蟲能幹的~

　　如今，這些網站的反爬蟲技術越來越先進，我們能發揮的空間被一步步擠壓。

　　前段時間，有個愣頭青爬蟲把一家公司的服務器給爬崩潰了，把人家正常業務都弄停掉了，他還被抓了起來，現在監管越來越嚴，搞得大家人心惶惶。

　　內憂外患不斷，不少爬蟲兄弟失業的失業，轉行的轉行，爬蟲這碗飯，真是越來越不好吃了。。。