來源|知乎 

作者|范冰XDash

互聯(lián)網(wǎng)是一座資源未被充分結(jié)構(gòu)化的數(shù)據(jù)倉庫，利用技術(shù)手段批量從已知網(wǎng)頁或其他數(shù)據(jù)源下載資源的方法，就是數(shù)據(jù)抓取。執(zhí)行這項任務(wù)的程序被稱為網(wǎng)絡(luò)爬蟲（Web crawler），它的職責在于采集、處理和儲存。

早期的數(shù)據(jù)抓取是一種按照特定規(guī)則，自動批量獲取互聯(lián)網(wǎng)信息的程序或腳本，能夠輔助搜索引擎建立對海量內(nèi)容的索引。不過，如同光明同黑暗同時誕生，數(shù)據(jù)抓取技術(shù)的出現(xiàn)，也帶來惡意爬蟲的降生，無論是制造虛假注冊用戶數(shù)據(jù)、采集競爭對手情報、嘗試破解用戶口令還是自動下單刷量，都離不開爬蟲。對此我們不多做探討。

總部位于加州的 Diffbot 公司成立于 2008 年，創(chuàng)始人兼首席執(zhí)行官 Mike Tung 是斯坦福畢業(yè)的研究生。這家公司的業(yè)務(wù)模式就是通過人工智能技術(shù)，讓機器識別網(wǎng)頁，抓取關(guān)鍵內(nèi)容，再對其進行結(jié)構(gòu)化處理，繼而輸出軟件乃至人眼可以直接識別的結(jié)果。Diffbot 的技術(shù)被廣泛應(yīng)用于知識圖譜、商業(yè)智能等領(lǐng)域。Scikit-Learn 機器學習庫、phantomjs 渲染引擎等在其中扮演關(guān)鍵角色。

我的一位好友在國內(nèi)知名外企出任技術(shù)專家，業(yè)余兼職為各種項目提供數(shù)據(jù)抓取服務(wù)。他親身參與實踐的案例包括：

• 鎖定早期用戶：西安一家新開業(yè)的美術(shù)教育機構(gòu)招生，他花了兩天時間寫爬蟲，抓取了國內(nèi)最大的美術(shù)生交流社區(qū)上的公開學生信息，包括姓名、專業(yè)、電話、地理位置，篩選后將西安周邊地區(qū)的學生名單賣給了這家機構(gòu)。

• 調(diào)研競爭對手：為一家垂直電商的后起之秀服務(wù)，把兩個成熟競品過往兩年的訂單量、交易量及交易人數(shù)抓取整理出來，估算了對方的流水，由此為團隊擴增、制定指標和新一輪融資提供了直觀參照。

• 立項市場調(diào)查：他的一位好友打算做面向年輕人的動漫項目，想從非一線城市做起，于是請他把某國內(nèi)最大“二次元”駐扎視頻網(wǎng)站的用戶數(shù)據(jù)抓取了三天，最后得出結(jié)論：成都、南京、杭州等城市是適宜啟動的絕佳地點。

• 年底業(yè)績交差：某國企在焦躁的互聯(lián)網(wǎng)轉(zhuǎn)型中指定了高不可攀的業(yè)績指標，分公司負責人請他編寫爬蟲模擬新用戶到網(wǎng)站注冊，成功沖抵差額，在年底考核中保住了位子。

一、如何編寫爬蟲腳本抓取數(shù)據(jù)？基本步驟策略如下：

1. 選定目標。首先確定被抓取方提供了哪些服務(wù)，比如網(wǎng)站、移動應(yīng)用、開放平臺等。如果所有服務(wù)是等價的，不存在某一服務(wù)缺失什么功能，就優(yōu)先從移動應(yīng)用開始抓取。因為應(yīng)用一般是通過 API 來獲取數(shù)據(jù)，透過 API 抓取的數(shù)據(jù)比較方便后期的結(jié)構(gòu)化整理。

2. 技術(shù)方案。實際抓取采用的技術(shù)手段視情況而定，如果需求簡單且對方完全沒有防護，可以用命令行腳本；稍微復雜一點可以使用 Python，requests、beautifulsoup、re 都是實用的第三方庫。

3. 性能優(yōu)化。如果是單次抓取需求，并不需要持續(xù)穩(wěn)定地一直跟蹤抓取，則對性能優(yōu)化的考慮較少，可以直接在本機或是虛擬主機上執(zhí)行，通過多個不同進程來同時工作，以調(diào)度器來統(tǒng)一管理。復雜一些可以考慮用付費的第三方云服務(wù)。

4. 資源結(jié)構(gòu)。抓取網(wǎng)頁，一般先研究頁面上是否有統(tǒng)一的資源 ID 命名方式（分類、排行、導航、搜索通常能提供良好的組織結(jié)構(gòu)和命名規(guī)則），然后遞增、遍歷或借助能批量處理特定結(jié)構(gòu)的第三方庫。

5. 見招拆招。對于采取防抓取措施的對象，也有應(yīng)對方法：如果對方要求注冊，網(wǎng)頁服務(wù)可以在 request 請求中把瀏覽器的 cookie 帶上，移動應(yīng)用抓包看看 Auth Key 然后在請求中帶上；如果對方有IP限制，可以用代理池解決；如果有隨機數(shù)時間校驗，就用 random 命令生成一個對應(yīng)長度的隨機數(shù)來延時。

6. 數(shù)據(jù)處理。臟數(shù)據(jù)要用正則表達式或者 beautifulsoup 這樣的第三方包把想要的內(nèi)容取出來，然后存放到數(shù)據(jù)庫，或是以約定的分隔符來劃分字段并保存到文本文件里。

7. 數(shù)據(jù)分析。簡單的分析可以用命令行里的 sort、uniq、awk、diff 等搞定，復雜需求借助第三方庫 pandas 可以方便地完成各種維度的分析查詢和統(tǒng)計工作。

二、數(shù)據(jù)抓取的基礎(chǔ)指令和常用工具：

寫個爬蟲抓取網(wǎng)絡(luò)資源并不是每次都要興師動眾。掌握基本的指令，你也可以在十分鐘之內(nèi)拿到想要的內(nèi)容。

1、CURL

Curl 是命令行下的開源文件傳輸工具，如果你使用蘋果電腦或者 Unix、Linux 發(fā)行版，系統(tǒng)會自帶，Windows 用戶也可以安裝對應(yīng)的移植版本。

Curl 命令的基本使用方法是，在命令行下執(zhí)行：

curl https://assets-cdn.github.com/favicon.ico

其中 https://assets-cdn.github.com/favicon.ico 是想抓取到本地的資源文件 URL。另外你也可以在 curl 后面添加以下參數(shù)或語法，實現(xiàn)更多高級配置：

• -o：將抓取到的資源按照指定名稱保存，實現(xiàn)數(shù)據(jù)初步整理

• -C：斷點續(xù)傳，適合抓取大塊頭文件或是網(wǎng)絡(luò)環(huán)境不穩(wěn)定時

• -u：配合輸入用戶名和密碼，可獲得加密資源的授權(quán)訪問資格

• -x：指定代理主機和端口，配合代理池可以在抓取時“打一槍換一個地方”

• -d：在發(fā)起請求時傳送參數(shù)，運用巧妙既可以簡化腳本代碼，也可以實現(xiàn)更多出彩特性

• 中括號：在 URL 中使用形如“[100-200]”語法，可以順次從 100、101、102…200 之間的等間距資源，比如按順序保存的文件名。

我在《增長黑客》“獲取用戶”章節(jié)中談到如何抓取第三方唱歌應(yīng)用里的用戶頭像，稍加整理后用于某移動交友產(chǎn)品內(nèi)測期間的數(shù)據(jù)冷啟動，使用的就是這個 curl 指令。我們僅花費 2 個小時就拿到了 10000 多張高質(zhì)量的頭像大圖，人工消耗成本極低。

Curl 命令的詳盡使用教程，可以參閱《黑客與畫家》譯者阮一峰先生整理的這篇指南：http://www.ruanyifeng.com/blog/2011/09/curl.html。

2、file_get_contents

PHP 下的 file_get_contents() 函數(shù)用于將整個文件讀入一個字符串中，既適用于本地文件，也作用于網(wǎng)絡(luò)資源。早年網(wǎng)絡(luò)上流行的第三方開源 CMS（Content Management System，內(nèi)容管理系統(tǒng)）就有不少以自動抓取作為賣點，核心就是圍繞這個函數(shù)展開。

我也經(jīng)常建議我的客戶，在不傷及被抓取對象利益的前提下，盡可能編寫腳本完成每日的常規(guī)運營工作，比如本地新聞、天氣預報、行業(yè)動態(tài)——這項工作如果只是向外界傳遞“我們還沒有倒閉”的信息，那就不要占用額外人力，畢竟網(wǎng)上可供抓取的更新來源太多。

file_get_contents 可以配合的其他常用函數(shù)包括：

• explode()：根據(jù)指定分隔符（比如逗號、分好、頓號），將抓取到的網(wǎng)頁源代碼切割成數(shù)組。比如網(wǎng)頁上的新聞列表（通常用“<li>”“<ol>”等標簽作為分隔符），就能用這個命令分塊提煉出各自標題。

• strpos()：可以在抓取到的網(wǎng)頁源代碼里查找特定的字符。例如在輿情采集分析過程中，如果發(fā)現(xiàn)被抓取頁面出現(xiàn)了競爭對手的名稱，則產(chǎn)生對應(yīng)的提醒動作，平時相安無事。

• substr()：用于從一串字符中截取出特定位數(shù)的字符，能剔除掉不必要的數(shù)據(jù)，讓抓取結(jié)果干凈和便于處理。

• echo()：打印出抓取結(jié)果看看，分析意外最直觀的方式。

我成功將 file_get_contents() 函數(shù)用于多個商業(yè)項目中，包括為某世界五百強公司在國內(nèi)的微信公眾平臺菜單里實現(xiàn)與美國官網(wǎng)同步更新。此外業(yè)余也開發(fā)過有意思的用途，例如曾抓取多玩網(wǎng)數(shù)據(jù)開發(fā)了微信里的爐石傳說卡牌游戲查詢器，以及在Mac平臺的效率軟件Alfred里自行開發(fā)股票查詢、日語字典、資訊快遞等插件。

PHP 官方網(wǎng)站上提供了這個函數(shù)的使用文檔：http://php.net/manual/zh/function.file-get-contents.php。

3、Charles——抓包利器

有時候我們無法直接從程序界面抓取到文字或圖像資源（對方可能封鎖了網(wǎng)頁點擊，或者想抓取對象來自移動應(yīng)用）。這時候可以改換思路，不抓靜態(tài)資源，而是抓包。你可以將“抓包”理解成數(shù)據(jù)在運載過程中即被截獲，有點像“劫鏢”。

Charles 是基于 Java 的跨平臺工具，可用于 Windows、Mac 和 Linux 平臺，能夠讓開發(fā)者方便地查看聯(lián)網(wǎng)設(shè)備（電腦、手機、平板電腦）在傳輸交互中產(chǎn)生的數(shù)據(jù)包。只要手機和電腦在同一無線網(wǎng)絡(luò)內(nèi)，就能夠在電腦上查看手機端收發(fā)的數(shù)據(jù)，既包括最終可見的界面文字，也包括隱含傳輸?shù)奈募^、指令、參數(shù)等。

Charles 的官網(wǎng)是：https://www.charlesproxy.com/。

三、如何規(guī)避抓取別家數(shù)據(jù)的潛在風險？

除了上述披露細節(jié)，在我的《增長黑客》里也提到一些數(shù)據(jù)抓取解決冷啟動的實戰(zhàn)案例。其實在互聯(lián)網(wǎng)行業(yè)里，依靠抓取來獲取數(shù)據(jù)的做法，并不罕見（如果你覺得很新鮮，那只能說道行太淺）。既然我敢于公眾與眾，就不可避免遭遇質(zhì)疑和非議。

在此請允許我就“如何規(guī)避抓取別家數(shù)據(jù)的潛在風險？”的問題闡述我的經(jīng)驗和反思：

第一，技術(shù)是中立的，本身不帶有任何傾向性。

如何你覺得從別的平臺“右鍵另存為”來獲得資源并運用到自己的產(chǎn)品里不構(gòu)成任何問題，那么寫腳本批量抓取沒有改變這件事的性質(zhì)，它只是幫你將原本需要人工操作三天的事情簡化到三個小時內(nèi)自動完成。

第二，平臺各有自己的政策，不同平臺的抓取策略不同。

有的平臺明確在自己的用戶協(xié)議里聲明，“本平臺只承擔數(shù)據(jù)存儲的作用，內(nèi)容版權(quán)隸屬原作者所有”，這時候，你完全可以征得原作者同意之后，以你認為方便的途徑去獲取。至于如何快速大量獲得原作者同意？也可以通過寫腳本批量發(fā)私信給目標人群。這種行為的性質(zhì)參見第一條。

第三，分清學習目的與商用目的。

我專門查詢過版權(quán)法等相關(guān)法律法規(guī)，其中對“出于學習目的”是有專門的分類討論的。如果將抓取來的數(shù)據(jù)用于產(chǎn)品上線前內(nèi)部的測試、參考，以此作為私下決策依據(jù)而非投入實際商業(yè)運作， 我認為是屬于這一范疇的（當然還是得具體問題具體分析）。當然，你最好還是先征詢你律師的建議。

最后，你有沒有越界，其實你自己心里清楚。

四、如何反抓取，保護自己的數(shù)據(jù)資產(chǎn)？

既然有抓取，自然也有反抓取。通常反抓取的目的在于：

第一，保護企業(yè)的數(shù)據(jù)資產(chǎn)。雖然通常能被抓取的是公開內(nèi)容，但這些可免費查詢的資源很可能原本就是一種商業(yè)競爭策略，如果被對手抓取，競爭力此消彼長，很可能讓讓企業(yè)蒙受損失，這是需要防范的。

第二，節(jié)省帶寬，提升服務(wù)性能。初級程序員編寫的腳本如果性能堪憂，源源不斷的訪問會對被抓取網(wǎng)站的帶寬和性能帶來壓力，抬升成本。有些抓取初衷雖無惡意，卻叫人哭笑不得。我在攜程的一個朋友就曾抱怨，每年三月都會迎來一波被抓取的高峰期，原來是計算機專業(yè)應(yīng)屆畢業(yè)生此刻都在忙著畢業(yè)答辯，抓取數(shù)據(jù)趕論文。

第三，去除數(shù)據(jù)噪音。數(shù)據(jù)抓取會影響對網(wǎng)站流量指標的誤判，徒增的 IP/PV/UV 可能源自機器爬蟲的訪問，這對于運營人員拆分流量和追蹤用戶形成了干擾，與其在分析數(shù)據(jù)階段清洗數(shù)據(jù)，不如在收集數(shù)據(jù)階段就屏蔽干擾因素。

常見的反抓取策略包括：封鎖 IP、封鎖設(shè)備、限制單位時間內(nèi)的訪問頻度、混淆代碼增大識別難度等。將單一策略組合起來，能更有效地避免誤判，以免將普通用戶識別為爬蟲。

當然還有以其人之道還治其人之身的玩法。我的一個朋友就曾因自己辛勤維護的電子書網(wǎng)站被對手多番抓取而大為慍怒，交涉無果的他，最后祭出一招“投毒策略”——在檢測到被爬蟲抓取時，向?qū)Ψ教峁┦孪葴蕚浜玫奶摷贁?shù)據(jù)。結(jié)果是，那位可憐的對手網(wǎng)站上出現(xiàn)了敏感信息，被網(wǎng)監(jiān)請去喝了回茶。

【相關(guān)閱讀】

從用戶需求出發(fā)：云音樂Vs蝦米音樂VsQQ音樂競品分析 

細數(shù)App推廣要做哪些事！懂渠道，做方案，有人脈，分析競品…

2016年后搞互聯(lián)網(wǎng)創(chuàng)業(yè)，如何低成本獲取用戶？

APP運營初期該如何面對種子用戶

未來，用戶究竟是誰的奶酪？

姑婆那些事兒推廣服務(wù) 點擊 :http://www.3377on.com/news/4585.html

大家都愛搜:ASM 互聯(lián)網(wǎng)資訊類類有話說App推廣運營經(jīng)驗線下推廣活動推薦微信營銷姑婆專題姑婆圈ASO校園推廣地推ASO100渠道刷量校園運營團隊

姑婆那些事兒(www.3377on.com)是互聯(lián)網(wǎng)推廣運營知識分享平臺,關(guān)注移動推廣(android,ios)運營,網(wǎng)站推廣運營、校園推廣及互聯(lián)網(wǎng)領(lǐng)域最新動態(tài) 。歡迎關(guān)注我們的微信(gupo520),新浪微博(姑婆那些事兒)。

版權(quán)聲明:本文來源于互聯(lián)網(wǎng),僅作分享學習之用,姑婆那些事兒負責整理推薦。文章僅代表原作者獨立觀點,不代表本平臺運營者觀點與立場。如有版權(quán)問題,請聯(lián)系姑婆那些事兒—小秘書(微信號:gpxms001)協(xié)商解決