爬虫工程师：应该说我们是大数据行业的“苍蝇”

爬虫作为不请自来、又吵又闹的客人总是不受欢迎的，比起蜜蜂更像是苍蝇，被到处驱赶。

全文共计3091字，预计阅读时间7分钟

来源 | 数据观（转载请注明来源）

记者 | 姚皖黔

编辑 | 蒲蒲

搜索引擎爬虫可以检索你的一切信息，并提供给其他用户访问。只不过因为robots协议的存在，搜索引擎爬虫对自己的检索范围做了限制，所以它是善意的爬虫。随着电子商务行业的崛起，比价的需求使得爬虫有了更大的市场，不过大家爬别人的同时，并不喜欢自己被爬。毕竟被抓数据会使得自己在竞争中处于不利的位置，并且增加自身的服务器负担，这无异于增大了运维成本。所以大家都觉得：宁叫我爬天下人，休叫天下人爬我。于是又诞生了反爬虫。后来“大数据”来了，无数互联网从业者从中嗅到了商机。但是这些人手上并没有大数据，于是他们开始用爬虫拼命地抓取互联网上的数据，然后做几个PPT，用他们手中的数据去融资。庞大数据的需求进一步激励了爬虫程序“野蛮成长”，这给整个互联网带来沉重的负担。于是造成了“反爬虫技术越强，就需要更多的爬虫工程师”的循环……某虫（化名）是一家公司的爬虫工程师，他这样描述爬虫工程师们的工作：“用蜜蜂来形容我们并不恰当，因为这种‘勤劳’并不被人喜欢。一般公司也不会说自己有爬虫团队。”“虽然那些抓取的数据都是对外开放的，不存在侵犯隐私、网络安全的问题，但那些服务器资源本来是为客户服务，爬虫作为不请自来、又吵又闹的客人总是不受欢迎的，比起蜜蜂更像是苍蝇，被到处驱赶。”爬虫工程师的工作爬虫最终目的是提供数据，爬虫工程师要做的就是编写一个程序，这个程序会自动抓取并保存下获得的信息。但与数据分析不一样，爬虫工程师一般来说是按照别人的需要去抓取数据，至于数据价值的挖掘就和他们没什么关系了。但这工作并不像看起来这么轻松，不光要设法绕过别人的反爬措施，还要对抓下来的数据通过技术手段辨别真伪。并且别人的网站一旦改版更新，原有的爬虫程序很可能就不管用了，必须得随着别人的技术迭代不停地升级爬虫程序，更不要说还有各个公司之间的爬虫工程师们隔空“斗法”。某虫：“在论坛上听到同行分享过这样的故事：说的是他们与竞争对手斗得难解难分，有一天对方在反爬虫的代码里写下注释：‘天天加班，老板给你加工资吗？’工作组的成员才幡然醒悟。随后经过一系列的交流，双方达成和解，当然这一切都是瞒着老板的。大家坐一块谈拢之后，工作就变得容易了很多，都给对方留了后门，方便对方爬自己，反爬虫的工作就变成了一个形式。最多就是在交流群里抱怨：‘你们访问频率怎么这么高？’‘你怎么把接口给关了？’‘你们给的数据是不是有问题？’……”现实中如果真能达成这样的默契，那肯定是‘双赢’的局面。虽然这个故事更多是逗趣的段子，但在爬虫与反爬虫的斗争中，资源被无意义的浪费却是不争的事实。当然，某虫也从未担心过自己会在未来某一天失去工作，对于公司来说，爬虫工程师的意义却依然十分重要，只是降低服务器负载这一点就足够了。
爬虫工程师眼中的数据某虫：“回想最初的自己，也是因为对唯数据论深信不疑才投身到爬虫工程师的行伍中的。跟现在流行大数据一样，只不过这股风吹到了社会大众中去。在我看来，大数据的关键在于‘谁来用’，这比‘怎么用’更重要。”爬虫的最终目的是获取数据，数据的用途按现在比较流行的说法大致有网络舆情监测、客户全景画像、竞争对手分析、行业垂直搜索等，某虫看来这还是没跳脱传统统计分析的范围。当然这些和一个基层爬虫工程师没什么关系，抢票、刷榜、找资源之类的项目才是大多数初学者最容易也最喜欢上手的方向，而且这些小项目确实会带来不小的成就感，但是热情衰退之后就发现数据这东西远没有自己想像的那么美好。某虫：“头一次抓下来一些数据的时候，觉得自己太厉害了，像是自己洞悉了这个世界的所有秘密一样。但随着时间推移手里那些诸如招聘信息、某市租房信息、项目外包信息之类的数据渐渐塞满了硬盘，到底也没产生点经济价值，删除吧也舍不得，毕竟费了功夫的。”“有次一个（女性）朋友发来消息说：我参加一个比赛，帮我投一下票。稍稍一分析那网站，好弱的反爬虫意识，我乐了。恶趣味被激了起来，花了一会儿功夫用Python写好代码，多线程模拟投票刷起来。不多时，我朋友已经攀升至第一名。”“很早以前在论坛上看到‘互联网上50%的流量都是爬虫创造的’时我还不相信，觉得夸张了。爬虫是有用，但也不能有这么多需求啊。随着网络媒体的发展，各种明星、网站流量造假的情况被媒体披露出来，背后的产业链逐渐浮出水面。联系自己的工作内容想一想，现在反而觉得‘互联网上50%的流量都是爬虫创造的’确实夸张了，怎么可能这么少，说90%都是轻的。”回头看大数据对于一般大众来说，大数据红利、数据价值化、信息化社会赋能这样的词汇显得虚无缥缈，都是听得多见得少。而从事数据采集的某虫却这样描述：“技术到底只是技术，最后改变社会的，还是社会的行为主体自身。”虫：“早些时候，‘乐看免费小说’APP就是利用爬虫非法抓取正规网站的资源然后免费提供给观众，再赚取广告费。一个月赚了20多万，这向大家展示了爬虫技术蕴含的能量和反爬的重要性，当然他们很快被抓了并且赔更多的钱。”①“而现在AI技术的发展让爬虫的攻防战有种山雨欲来风满楼的感觉，但谈不上什么质变，就目前来说其核心还是商业行为。比如：抓取汽车之家论坛发言，对各种车型的车主做画像；抓取天猫、京东、淘宝用户评价，了解产品在消费者心目中的形象；抓取58同城房产买卖信息，预估房价走势；抓取大众点评、美团网的用户消费信息了解周边变化的口味。这些归结起来都是在描述一个群体的特征，针对性的做出决策，也就是客户全景画像。虽然在网络爬虫系统的支持下，很多非数据持有主体也可以对客户相关信息进行实时采集、监测，从而发掘潜在商机和预估风险。但这并不足以像‘工业革命’一样改变社会。”“2008年谷歌推出谷歌流感趋势（Google Flu Trends）时，业内许多人都将其视为大数据淘汰传统分析方式的一个标志。然而随后的猪流感出现完全没有被它预告，反映的事实就是技术的进步并没有达到能改变社会的程度。很多人将现在的困境描述成数据非机构化、数据孤岛或是大‘薄’数据，我也十分认同。要解决这个问题，之前被经常用来劝告‘技术宅’的那句‘多出去走走’兴许就是药方。举个例子：前段时间看到新闻，大数据+寻亲帮助了很多失散的家庭找回了亲人，成效显著。但进一步试想一下，如果政府部门的人口数据和医院的数据都能相互‘多走动’，那被拐卖的儿童有没有可能在第一次进医院时就被找到呢？也就是说，目前的大数据+寻亲只是多了一种技术手段，而不是彻底颠覆了反拐卖模式。当然技术的积累肯定是发展道路上必要过程，但是也可以看出，所谓数据厚度、结构化的问题，还是只能交由社会来解决，技术始终只是为了促成了各个社会主体‘走到一起’。所以我说，目前的大数据是‘谁来用’比‘怎么用’更关键。”注释①用“爬虫”技术窃小说供人阅览 获26万收入赔了242万http://news2.jschina.com.cn/system/2016/04/26/028491218.shtml

End

关注我们

欲了解更多大数据，

区块链，人工智能
，

行业相关资讯 ，干货，

报告等，可搜索

数据观微信公众号

进入查看。

数据观

公众号：cbdioreview

官网：www.cbdio.com  

微博：数据观官微