前言：对于一张网页，我们往往希望它是结构良好，内容清晰的，这样搜索引擎才能准确地认知它。而反过来，又有一些情景，我们不希望内容能被轻易获取，比方说电商网站的交易额，教育网站的题目等。因为这些内容，往往是一个产品的生命线，必须做到有效地保护。这就是爬虫与反爬虫这一话题的由来。
一、什么是爬虫和反爬虫
- 爬虫 —— 使用任何技术手段批量获取网站信息的一种方式，关键在批量。
- 反爬虫 —— 使用任何技术手段，阻止别人批量获取自己网站信息的一种方式。关键也在于批量。
- 误伤 —— 在反爬虫的过程中，错误的将普通用户识别为爬虫。误伤率高的反爬虫策略，效果再好也不能用。
- 拦截 —— 成功地阻止爬虫访问。通常来说，拦截率越高的策略，误伤率就越高，因此要做权衡。
- 资源 —— 机器成本与人力成本的总和。
二、反什么样的爬虫
-
应届毕业生(三月份爬虫)
三月份爬虫通常和毕业生(本科生、硕士、博士等)有关，他们的爬虫简单粗暴，为了让论文有数据支撑，根本不管服务器压力，加上人数不可预测，很容易弄挂站点。
-
创业小公司
每年新增的创业公司很多，程序开发完后，缺少数据支撑，出于公司生死存亡的考虑，不断爬取数据。
-
不小心写错了没人去停止的失控小爬虫
像知乎，携程，财经等网站，可能高达60%的访问量是爬虫。你就算直接封杀，也无济于事。他们可能根本爬不到任何数据了，除了http code是200以外，一切都是不对的，但由于托管后无人认领，仍然会依然孜孜不倦地爬取。
-
成型的商业对手
这是最大的对手，有技术，有钱，要什么有什么，如果和你死磕，你就只能硬着头皮和他死磕。
-
抽风的搜索引擎
搜索引擎也有抽风的时候，而且一抽风就会导致服务器性能下降，请求量跟网络攻击没有区别。
三、常见反爬虫策略
给大家介绍一个比较简便的爬虫框架 webmagic 趁着周末玩一把（请勿用于非法行为）
世界上没有一个网站，能做到完美地反爬虫。如果页面希望能在用户面前正常展示，同时又不给爬虫机会，就必须要做到识别真人与机器人。因此工程师们做了各种尝试，这些策略大多采用于后端，也是目前比较常规单有效的手段，比如：
- User-Agent + Referer检测
- 账号及Cookie验证
- 验证码
- IP限制频次
而爬虫是可以无限逼近于真人的，比如：
- chrome headless或phantomjs来模拟浏览器环境
- tesseract识别验证码
- 代理IP淘宝就能买到
所以我们说，100%的反爬虫策略？不存在的。
更多的是体力活，是个难易程度的问题。
不过作为前端工程师，我们可以增加一下游戏难度，设计出一些很(sang)有(xin)意(bing)思(kuang)的反爬虫策略。
四、前端与反爬虫
1、FONT-FACE拼凑式
例子：猫眼电影
猫眼电影里，对于票房数据，展示的并不是纯粹的数字。页面使用了font-face定义了字符集，并通过unicode去映射展示。也就是说，除去图像识别，必须同时爬取字符集，才能识别出数字。并且，每次刷新页面，字符集的url都是有变化的，无疑更大难度地增加了爬取成本。
2、BACKGROUND拼凑式
例子：美团
与font的策略类似，美团里用到的是background拼凑。数字其实是图片，根据不同的background偏移，显示出不同的字符。
并且不同页面，图片的字符排序也是有区别的。不过理论上只需生成0-9与小数点，为何有重复字符就不是很懂。
页面A：
页面B：
3、字符穿插式
例子：微信公众号文章
某些微信公众号的文章里，穿插了各种迷之字符，并且通过样式把这些字符隐藏掉。
这种方式虽然令人震惊…但其实没有太大的识别与过滤难度，甚至可以做得更好，不过也算是一种脑洞吧。
4、伪元素隐藏式
例子：汽车之家
汽车之家里，把关键的厂商信息，做到了伪元素的content里。
这也是一种思路：爬取网页，必须得解析css，需要拿到伪元素的content，这就提升了爬虫的难度。
5、元素定位覆盖式
例子：去哪儿
还有热爱数学的去哪儿，对于一个4位数字的机票价格，先用四个i标签渲染，再用两个b标签去绝对定位偏移量，覆盖故意展示错误的i标签，最后在视觉上形成正确的价格…
这说明爬虫会解析css还不行，还得会做数学题。
6、IFRAME异步加载式
例子：网易云音乐
网易云音乐页面一打开，html源码里几乎只有一个iframe，并且它的src是空白的：about:blank。接着js开始运行，把整个页面的框架异步塞到了iframe里面…
不过这个方式带来的难度并不大，只是在异步与iframe处理上绕了个弯（或者有其他原因，不完全是基于反爬虫考虑），无论你是用selenium还是phantom，都有API可以拿到iframe里面的content信息。
7、字符分割式
例子：全网代理IP
在一些展示代理IP信息的页面，对于IP的保护也是大费周折。
8、字符集替换式
例子：去哪儿移动侧
同样会欺骗爬虫的还有去哪儿的移动版。
html里明明写的3211，视觉上展示的却是1231。原来他们重新定义了字符集，3与1的顺序刚好调换得来的结果…
疑问相关
1、爬虫是否涉嫌违法？ 如果是的话，怎么要求赔偿？
爬取的内容商业使用目前更倾向属于违法行为，但是在国内还是个擦边球，难以起诉成功。如果不想被批量爬取，技术才是最后保障。
2、在爬虫与反爬虫的对弈中，谁会胜利？
爬虫与反爬虫的重点都在于批量，没有绝对的胜利方。但是可以确定的是，只要人类能够正常访问的网页，爬虫在具备同等资源的情况下一定是可以抓取到，只是能否短时间内大批量爬取的问题。
3、怎么快速爬取数据？
首先考虑的是用网上各种破解版爬虫软件爬取数据，比如火车头采集器。即能用软件解决的爬取步骤，就没必要写代码实现，因为程序员比软件和服务器等资源金贵。其次考虑的才应该是如何用代码解决软件实现不了的步骤。
4、为什么需要反爬虫？
- 公司的重要资源被批量爬取，丧失竞争力。
- 爬虫占总PV比例太高，因为高访问量浪费了太多钱。
- 爬虫拖垮了站点，严重影响了用户体验。
- 资源被爬取难以起诉成功，对方可以肆意爬取。
网友评论