當(dāng)AI時代遇上AI爬蟲

• 2018年8月1日 ZhangHongYuan來源：新浪 1350 89
• 繁體

• 

  2018-2023年中國量子通信行業(yè)發(fā)展評估與投資前景預(yù)測分析報告

  量子通信是指利用量子糾纏效應(yīng)進行信息傳遞的一種新型的通訊方式。量子通訊是近二十年發(fā)展起來的新型交叉學(xué)科，是量子論和信息論相結(jié)合的新的研究領(lǐng)域。量子通信主要涉及：量子密碼通信、量子遠...

因為爬蟲技術(shù)造成的大量IP訪問網(wǎng)站侵占帶寬資源、以及用戶隱私和知識產(chǎn)權(quán)等危害，很多互聯(lián)網(wǎng)企業(yè)都會花大力氣進行“反爬蟲”。

在一大堆技術(shù)術(shù)語里，最為被普通人所熟知的大概就是“爬蟲”了。其實爬蟲這個名字就已經(jīng)特別好地表現(xiàn)出了這項技術(shù)的作用——像密密麻麻的蟲子一樣分布在網(wǎng)絡(luò)上，爬行至每一個角落獲取數(shù)據(jù);也一定程度上表達了人們對這項技術(shù)的情感傾向——蟲子或許無害，但總是不受歡迎的。

有關(guān)爬蟲的功能、益處或危害，此前已經(jīng)有過很多討論。因為爬蟲技術(shù)造成的大量IP訪問網(wǎng)站侵占帶寬資源、以及用戶隱私和知識產(chǎn)權(quán)等危害，很多互聯(lián)網(wǎng)企業(yè)都會花大力氣進行“反爬蟲”。

相比爬蟲技術(shù)本身，反爬蟲其實更加復(fù)雜，發(fā)展歷程也更加有趣。

我們?nèi)绾畏磁老x?

先禮后兵、再對簿公堂

幾乎是和爬蟲技術(shù)誕生的同一時刻，反爬蟲技術(shù)也誕生了。在90年代開始有搜索引擎網(wǎng)站利用爬蟲技術(shù)抓取網(wǎng)站時，一些搜索引擎從業(yè)者和網(wǎng)站站長通過郵件討論定下了一項“君子協(xié)議”—— robots.txt。即網(wǎng)站有權(quán)規(guī)定網(wǎng)站中哪些內(nèi)容可以被爬蟲抓取，哪些內(nèi)容不可以被爬蟲抓取。這樣既可以保護隱私和敏感信息，又可以被搜索引擎收錄、增加流量。

爬蟲技術(shù)剛剛誕生時我們還處于上古時代，互聯(lián)網(wǎng)是一片賢者云集的樂土，大多數(shù)從業(yè)者都會默守這一協(xié)定，畢竟那時候信息和數(shù)據(jù)都沒什么油水可撈。但很快互聯(lián)網(wǎng)上開始充斥著商品信息、機票價格、個人隱私……在利益的誘惑下，自然有些人會開始違法爬蟲協(xié)議了。

當(dāng)君子協(xié)議失效，我們開始改用技術(shù)手段阻攔爬蟲的入侵。比如從訪問數(shù)量上發(fā)現(xiàn)爬蟲，當(dāng)我們在某一網(wǎng)站瀏覽過快時，系統(tǒng)往往會要求輸入驗證碼，就是因為這種快速瀏覽的行為很接近爬蟲?；蛘呤遣欢ㄆ诟淖僅TML標(biāo)簽，使之無法與Web排序匹配來限制爬蟲。

但是即便如此，我們也沒有任何方法可以禁止爬蟲在網(wǎng)站中出入，只能加大爬蟲的訪問難度。如果網(wǎng)站可以供給人類訪問，就一定也可以被爬蟲訪問。而且如果從底層完全組織爬蟲抓取，也很可能讓網(wǎng)站無法被搜索引擎收錄。

所以，在所有的先禮后兵都對爬蟲失效時。最后反爬蟲的手段只有最后一項——對簿公堂。

兩場官司和十七年，

爬蟲沒變，我們變了

歷史上第一樁關(guān)于爬蟲的官司誕生在2000年，eBay將一家聚合價格信息的比價網(wǎng)站BE告上了法庭，eBay聲稱自己已經(jīng)將哪些信息不能抓取寫進了爬蟲協(xié)議中，但BE違反了這一協(xié)議。但BE認(rèn)為eBay上的內(nèi)容屬于用戶集體貢獻而不歸用戶所有，爬蟲協(xié)議不能用作法律參考。

最后經(jīng)過業(yè)內(nèi)反復(fù)討論和法庭上的幾輪唇槍舌戰(zhàn)，最終以eBay勝訴告終，也開了用爬蟲協(xié)議作為主要參考的先河。

但這也引起了很多人的不滿，難道爬蟲能不能爬、怎么爬、誰的爬蟲能爬，都得由被爬的公司決定嗎?掌握了這種權(quán)力時，商業(yè)世界的唯利和自私立刻暴露無遺。

有一個說法是，互聯(lián)網(wǎng)上50%的流量都是爬蟲創(chuàng)造的。這個說法雖然夸張了點，但也體現(xiàn)出了爬蟲的無處不在。爬蟲之所以無處不在，是因為爬蟲可以為互聯(lián)網(wǎng)企業(yè)帶來收益。

就拿電商網(wǎng)站來說，很多電商網(wǎng)站是愿意被比價網(wǎng)站或者其他購物信息網(wǎng)站爬取信息的，因為這樣能夠給他們的商品帶來更多流量。但他們不愿意被其他電商網(wǎng)站獲取價格信息和商品描述，因為擔(dān)心其他電商網(wǎng)站惡意比價或進行抄襲。同時他們又經(jīng)常去爬其他電商網(wǎng)站的數(shù)據(jù)，希望能夠看到別人的價格。

這種糾結(jié)又復(fù)雜的心情就像學(xué)霸間的競爭，學(xué)霸可以給學(xué)渣抄筆記，因為知道學(xué)渣再怎么努力也就是六七十分的水平，但學(xué)霸對其他學(xué)霸一定會嚴(yán)防死守，因為只有學(xué)霸和學(xué)霸之間才有真正的競爭。所以像京東和淘寶這樣的“頂級學(xué)霸”都會在協(xié)議中寫清楚，禁止對方爬取數(shù)據(jù)。當(dāng)然，至于雙方是否遵守這一君子協(xié)定就很難說了。

同時也有一些網(wǎng)站，一開始會默許其他網(wǎng)站爬取數(shù)據(jù)，一段時間過后卻又會將爬取數(shù)據(jù)的網(wǎng)站告上法庭。最典型的例子就是領(lǐng)英，領(lǐng)英在2017年曾經(jīng)將一家名為HiQ的數(shù)據(jù)分析企業(yè)告上法庭，原因是認(rèn)定這家企業(yè)抓取領(lǐng)英用戶的就職狀態(tài)信息，提供給另外兩家利用機器學(xué)習(xí)分析員工跳槽傾向和職業(yè)技能的企業(yè)。

結(jié)果卻是即使打著保護用戶隱私的旗號，領(lǐng)英仍然敗訴并且被聯(lián)邦法庭要求開放數(shù)據(jù)接口。原因是HiQ已經(jīng)這樣爬取領(lǐng)英的數(shù)據(jù)長達五年，領(lǐng)英一直知情并且曾經(jīng)去參加過HiQ組織的論壇峰會。如今領(lǐng)英自己開展了和HiQ類似的業(yè)務(wù)，就要斷了HiQ的生路。

從2000年到2017年，之所以會有這兩場結(jié)局截然不同的官司，是因為我們制造爬蟲和反爬蟲的初衷都發(fā)生了變化。從一開始的獲取信息和保護隱私，變成了如今的獲取商業(yè)利益和反制對手。

延伸閱讀

推薦閱讀

猜您喜歡