zoukankan      html  css  js  c++  java
  • (反反爬虫)X车之家车型配置页的字体反爬

      唉,说句实在话,最近些爬虫也写的比较多了,经常爬一些没有反爬措施,或者反爬只停留在验证cookies、UA、referer的网站真的没太多乐趣。前端时间在知乎上看见了一个专栏,反反爬虫系列,于是乎也就入了坑,目前除了第二个之外全部都跟着作者的思路复现了代码,收获真的挺多的。话说python爬虫在知乎上的活跃度真的挺高的,经常有一些前辈、大牛在上面分享经验、教程。在知乎上查看、学习、讨论、复现他们的代码,很方便而且收获挺多!

      好了,废话也不多说了,开始今天的主题把。汽车之家汽车参数配置的爬虫。

      其实刚开始看完这篇文章我是懵逼的,懵逼的地方不在于解析JS获取真实数据,而是在于这句话,

       按照index替换就行?我将通过JS拿到的数据认真的同网页进行了比对,怎么也找不到这返回的数据跟网页有什么相似的地方,无奈最后网上各种找,终于找到了一个博主写的文章了,运行了之后成功的拿到了数据,心中很是欣喜,然后也终于明白了按照index替换就行这句话的含义。

      下面我讲我写的代码贴出来,当然了,这段代码只是为了跑通并拿到数据,并没有对其进行结构化封装。

      1 import re
      2 import os
      3 import json
      4 
      5 import requests
      6 import xlwt
      7 from selenium import webdriver
      8 
      9 
     10 url = "https://car.autohome.com.cn/config/series/2357.html#pvareaid=3454437"
     11 headers = {
     12     "User-agent": "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
     13                   "Chrome/71.0.3578.98 Safari/537.36"
     14 }
     15 # 运行JS的DOM
     16 DOM = ("var rules = '2';"
     17        "var document = {};"
     18        "function getRules(){return rules}"
     19        "document.createElement = function() {"
     20        "      return {"
     21        "              sheet: {"
     22        "                      insertRule: function(rule, i) {"
     23        "                              if (rules.length == 0) {"
     24        "                                      rules = rule;"
     25        "                              } else {"
     26        "                                      rules = rules + '#' + rule;"
     27        "                              }"
     28        "                      }"
     29        "              }"
     30        "      }"
     31        "};"
     32        "document.querySelectorAll = function() {"
     33        "      return {};"
     34        "};"
     35        "document.head = {};"
     36        "document.head.appendChild = function() {};"
     37 
     38        "var window = {};"
     39        "window.decodeURIComponent = decodeURIComponent;")
     40 
     41 response = requests.get(url=url, headers=headers, timeout=10)
     42 # print(response.content.decode("utf-8"))
     43 html = response.content.decode("utf-8")
     44 
     45 # 匹配汽车的参数
     46 car_info = ""
     47 config = re.search("var config = (.*?)};", html, re.S)       # 车的参数
     48 option = re.search("var option = (.*?)};", html, re.S)   # 主被动安全装备
     49 bag = re.search("var bag = (.*?)};", html, re.S)             # 选装包
     50 js_list = re.findall('((function([a-zA-Z]{2}.*?_).*?(document);)', html)
     51 # 拼接车型的所有参数car_info
     52 if config and option and bag:
     53     car_info = car_info + config.group(0) + option.group(0) + bag.group(0)
     54 # print(car_info)
     55 
     56 # 封装JS成本地文件通过selenium执行,得到true_text
     57 for item in js_list:
     58     DOM = DOM + item
     59 html_type = "<html><meta http-equiv='Content-Type' content='text/html; charset=utf-8' /><head></head><body>    <script type='text/javascript'>"
     60 js = html_type + DOM + " document.write(rules)</script></body></html>"    # 待执行的JS字符串
     61 os.makedirs("D:\test11")
     62 with open("D:\test11\asd.html", "w", encoding="utf-8") as f:
     63     f.write(js)
     64 browser = webdriver.Chrome(executable_path="D:chromedrivechromedriver.exe")
     65 browser.get("file://D:/test11/asd.html")
     66 true_text = browser.find_element_by_tag_name('body').text   
     67 # print(true_text)
     68 
     69 span_list = re.findall("<span(.*?)></span>", car_info)    # 匹配车辆参数中所有的span标签
     70 
     71 # 按照span标签与true_text中的关键字进行替换
     72 for span in span_list:
     73     info = re.search("'(.*?)'", span)
     74     if info:
     75         class_info = str(info.group(1)) + "::before { content:(.*?)}"                   #
     76         content = re.search(class_info, true_text).group(1)                             # 匹配到的字体
     77         car_info = car_info.replace(str("<span class='" + info.group(1) + "'></span>"),
     78                                     re.search(""(.*?)"", content).group(1))
     79 # print(car_info)
     80 
     81 # 持久化
     82 car_item = {}
     83 config = re.search("var config = (.*?);", car_info).group(1)
     84 option = re.search("var option = (.*?);var", car_info).group(1)
     85 bag = re.search("var bag = (.*?);", car_info).group(1)
     86 
     87 config_re = json.loads(config)
     88 option_re = json.loads(option)
     89 bag_re = json.loads(bag)
     90 
     91 config_item = config_re['result']['paramtypeitems'][0]['paramitems']
     92 option_item = option_re['result']['configtypeitems'][0]['configitems']
     93 bag_item = bag_re['result']['bagtypeitems'][0]['bagitems']
     94 
     95 for car in config_item:
     96     car_item[car['name']] = []
     97     for value in car['valueitems']:
     98         car_item[car['name']].append(value['value'])
     99 
    100 for car in option_item:
    101     car_item[car['name']] = []
    102     for value in car['valueitems']:
    103         car_item[car['name']].append(value['value'])
    104 
    105 for car in bag_item[0]['valueitems']:
    106     car_item[car['name']] = []
    107     car_item[car['name']].append(car['bagid'])
    108     car_item[car['name']].append(car['pricedesc'])
    109     car_item[car['name']].append(car['description'])
    110 
    111 # 生成表格
    112 workbook = xlwt.Workbook(encoding='ascii')  # 创建一个文件
    113 worksheet = workbook.add_sheet('汽车之家')  # 创建一个表
    114 cols = 0
    115 start_row = 0
    116 
    117 for co in car_item:
    118     cols = cols + 1
    119     worksheet.write(start_row, cols, co)  # 在第0(一)行写入车的配置信息
    120 
    121 end_row_num = start_row + len(car_item['车型名称'])  # 车辆款式记录数
    122 for row in range(start_row, end_row_num):
    123     col_num = 0  # 列数
    124     row += 1
    125     for col in car_item:
    126         col_num = col_num + 1
    127         worksheet.write(row, col_num, str(car_item[col][row - 1]))
    128 
    129 workbook.save('d:\test.xls')
    View Code

       ok,在强调一遍,这段代码只是为了跑通并拿到数据,并没有对其进行结构化封装。

      最后感谢这位博主:https://www.cnblogs.com/kangz/p/10011348.html

    通过这段时间跟着知乎的专栏的学习,明显看见了自己的不足!一定要沉着冷静的去分析、思考,网站对API进行了加密,一定能够解密!

  • 相关阅读:
    有限元矩形单元一阶拉格朗日插值函数流程
    有限元二阶拉格朗日插值函数理论
    MATLAB有限元二维编程(三角单元)
    【项目管理】项目经理每天、每周、每月应该做的都在这
    【项目管理】中小公司PMO不一样期间的责任
    【项目管理】PRINCE2常见问答
    如何用几句话概括PRINCE2学习?
    项目管理——收益管理
    【项目管理】项目管理发展的新阶段——PRINCE2项目管理方法
    【MSP是什么】最佳管理实践指南
  • 原文地址:https://www.cnblogs.com/pontoon/p/10459471.html
Copyright © 2011-2022 走看看