给老妈写脚本这事儿，得从她上周转发给我的那条“喝绿豆汤能根治高血压”说起。我盯着那个花里胡哨的公众号页面，血压先上来了。跟她解释一百遍，不如直接让机器把源头给她掐了。所以这个脚本的核心不是爬，是“潜伏”和“识别”，得在那些养生号发现我之前，把新文章都薅下来。
反反爬这块，这次玩得比较深。早几年用个User-Agent轮换、搞点IP代理池就觉得自己是黑客了，现在这些网站，尤其是流量大的养生号，防御体系跟铁桶一样。他们不光看你的HTTP头，还跑JavaScript来收集浏览器指纹。比如你的Canvas渲染指纹、WebGL指纹、字体列表，甚至你屏幕的颜色深度和分辨率排列组合，都能生成一个唯一ID。你用一个固定的Selenium驱动去跑，头两次可能还行，第三次绝对给你封得死死的。
所以我这次的核心武器是“动态指纹浏览器”的底层逻辑，但不是用现成的商业软件，那太笨重。我用的是Puppeteer-extra加上stealth-plugin打底，这能模拟一个近乎真实的Chrome环境。但关键在“动态”二字。我写了个指纹池，里面预置了二十套不同的硬件配置信息——从2015年的MacBook Air到最新的Win11游戏本，显卡型号、CPU核心数、内存大小都对应上。每次启动脚本，随机选一套“穿上”。光这样还不够，每次访问的浏览器窗口大小、视口尺寸都要在合理范围内随机波动，不能是固定的1024×768那种傻子数字。
最麻烦的是行为模拟。你不能像传统爬虫那样，抓到链接就拼命发请求。得模仿真人阅读：随机滚动页面，停顿时间要符合对数正态分布，偶尔还要模拟鼠标在某个图片上悬停。我用了一个贝叶斯优化算法来调整这些行为参数的权重，目标函数就是“在单位时间内成功抓取的文章数最大化，同时触发验证码的概率最小化”。调试这个过程花了整整两个通宵，不断地看日志，看是在哪个环节被识别出来的。
这种对抗带来一种奇怪的孤独豪迈感。深夜，我一个人对着四块屏幕，上面滚动着密密麻麻的日志。一个脚本实例在华东的服务器上伪装成家庭主妇的iPad，慢慢滑动页面；另一个在华南的VPS上扮作退休教师的台式机，正在解析文章正文里的关键词。我像是一个指挥官，但手下不是士兵，是一堆没有生命却承载着我意志的代码字符串。它们不知疲倦，不会抱怨，只要我的策略正确，就能持续地从信息洪流中打捞出我需要的碎片。老妈觉得我给她装了个“防火墙”，其实我在背后运营着一支沉默的、不断进化以适应环境的数字特工小队。
脚本跑起来以后，预警逻辑反而简单。我用了一个轻量级的本地BERT模型做文本分类，训练数据是我自己手动标注的八百多条“养生谣言”和“正常科普”。模型不大，但准确率够用，能识别出“绝对化用词”（根治、百分百）、“虚假权威”（某国际组织未公开的秘密）和“恐吓营销”（再不XXX就晚了）这些典型模式。一旦命中，脚本会通过微信的测试号API，给老妈的微信发一条结构化的消息：标题、风险点、还有我预设好的科普辟谣链接。她一开始还嫌烦，后来发现给她推送的真是她常看的那些号里的新文章，慢慢就信了。
这大概就是2020年的我吧，困在团队管理和项目交付的无尽扯皮里，身心俱疲。只有在深夜面对这些具体的技术难题时——如何绕过Cloudflare的5秒盾，如何让WebDriver产生的流量更像真人——才能感觉到一种确切的、近乎原始的掌控感。给老妈写脚本，表面是解决她的问题，其实是我在给自己找一个还能安静写代码、还能“解决一个问题”的借口。这支一个人的军队，守护的或许不只是老妈的朋友圈，还有我自己那份对技术最直接的、还没被商业和人际耗尽的热情。
