大家都知道，互联网是一个信息互联的世界，人们获取信息很方便快捷。由于这个特性，给人们的工作和生活带来了巨大的变化。
故互联网最重要的是“信息”，所以绝大多数的互联网公司都是在信息的交换和处理上下功夫，Google/Baidu把信息进行检索，能更快捷获取到人们想要得到的信息；FB/腾讯微信把信息通信做到极致简单，无论在天涯海角都若比邻；淘宝能在家里就获取到商品信息，消除了物理距离购物的限制。
还有些公司是直接获取公共信息上赚钱，比如天眼查，企查查，小白兔等，这类公司的商业逻辑就是获取（多数是爬虫）到公共信息（企业工商信息/商标信息/专利信息/法律官司信息），通过APP或者web的方式体现，使人们查询自己想要的信息更加方便。
随着爬虫的流行，大部分公司的网站开始了信息安全的重视，于是一场爬虫与反爬虫的斗争开始拉开序幕。“你有张良计，我有过墙梯”，一方面，一些政府机构/企业花重金开始打造一个不被爬虫机器人爬取的网站，另一方面，对于技术孜孜不倦的程序员又不甘示弱，把找到对方的破绽最为最大的成就。
我最近在工作中需要爬取一些信息（当然是公共信息，不涉及到违法），爬取成功有些小收获，在此总结一下：
面对的问题和困难：1.web上有部分信息，手机app上有全部信息。在web上的信息通过chrome或者firefox有专门的调试工具，很快的就能分析出API接口，但手机上复杂一些，需要设置代理，通过专门工具进行抓包分析（我用的mac找到一个非常好用的抓包软件charles）。
2.调用的API接口，有一个参数进行了加密，如果传入的参数不对，后台校验不过就会返回“在月球上”的错误（如果这个问题解决不了，就无法完成整网的爬取）。根据分析，加密函数既然是在终端上加密的，那一定会保存在终端里面。APP是没法查看源文件了，但浏览器一定是能找到这个加密函数的（应该是保存在某个js代码里面），但是这个网站的js是经过一些处理的，可读性不高，只有通过打断点分析最有可能出现的js加密代码块是在哪个位置。功夫不负有心人，在如下代码中找到加密的算法，“q”就是调用api的其中一个参数。是对当前时间戳+“9527”+时间戳的前六位数的字符串生成的一个MD5字符串.
var p = Date.now().toString()
, q = md5(p + "9527" + p.substr(0, 6));
成功破解了此参数，就相当于爬虫功能成功了一半。
3.为什么破解了参数只能说成功了一半呢，因为这个网站的web端的api接口和app端的api接口以及加密算法不是一样的；而web端只能获取到部分信息，对于最关键的信息，在web端没有看到接口。有时爬取是靠一些运气成分的，我把app端的api接口名称拷贝到web端上，构造相应的参数，加密参数使用web端的，居然成功了（说明后台程序有此接口，而且web接口名称和app的接口名称是一样的）。如果web端的此api接口没有找到，那就只有半自动化来实现了。
解决了以上难题，很快就把代码写出来再调试，设置时间延迟，花了一天的功夫，此网站的所有信息都爬取出来，存储在MongoDB中。
在此，有种KO对手的成就感油然而生，此文没有粘贴api信息和代码信息（需要保证别人的隐私），可能会给大家读此文会造成理解上的困难。回过头来看，其实爬取成功并不是自己很厉害，如果对方再加上一点点防御手段（比如web的api接口名称和app的api接口名称不做成一样的），想成功自动化爬取信息就非常困难了。
所以回过头来看，爬虫与反爬虫就是矛和盾的关系。如果不做成一个爬虫高手，如何可能做成一个安全专家？？
爬虫的知识还有很多，还有很多挑战（比如商标局的信息）。我后面还会不定期输出爬虫知识。对于此文有更细节想要了解的朋友，可以加我微信交流：liuhaibo102685
网友评论