最近我又在找工作了,悲哀啊~,面试官给了一道题,要求如下:
爬虫机试:https://detail.1688.com/offer/643272204627.html 过该链接的滑动验证码,拿到正确的商品信息页html,提取出商品维度的信息,输出json
由于时间紧迫,想着去破解加密参数x5sec
估计时间也不够,最后采用自动化工具先应付一下面试,毕竟能不能入职还是未知数。
言归正传,先看效果图如下:
众所周知阿里的滑块检测是比较多的,常规的自动化工具无法过滑块。所有这次尝试用DrissionPage去破解。
DrissionPage文档地址如下:
https://www.drissionpage.cn/
每次运行代码后都会启动一个全新的浏览器,防止浏览器缓存被检测
from DrissionPage import ChromiumPage, ChromiumOptionsco = ChromiumOptions()
co.auto_port()
page = ChromiumPage(co)
通过监听数据包的方式获取数据
self.page.listen.start('https://detail.1688.com/all')
自定义滑块轨迹,这点还是比较重要的,模拟的越像人工轨迹越不会被检测。
def slide(self):"""滑动代码:return:"""ele = self.page.wait.eles_loaded("x://span[contains(@id,'nc_1_n1z')]", timeout=20)if ele:ele = self.page.ele("#nc_1_n1t")time.sleep(3)ele.hover()self.page.actions.hold('#nc_1_n1z')self.page.actions.move(100, duration=random.random())self.page.actions.move(100, duration=random.random())self.page.actions.move(59, duration=3)
报错捕获,目前发现当抓取的数据超过一定量后,必然会触发封控机制,这时候就需要换IP处理。
if self.page.wait.eles_loaded("#recyclerview"):print('过滑动成功')elif self.page.wait.eles_loaded("#nc_1_refresh1"):print('滑动失败')# 需要继续处理.......elif self.page.wait.eles_loaded("#login-form"):print('需要登陆/换IP')# 需要继续处理.......
完整代码如下:
from DrissionPage import ChromiumPage, ChromiumOptions
import json
import time
import re
import random
import datetimeclass Detail(object):def __init__(self):co = ChromiumOptions()co.auto_port()self.page = ChromiumPage(co)self.page.listen.start('https://detail.1688.com/offer/643272204627.html')def slide(self):"""滑动代码:return:"""ele = self.page.wait.eles_loaded("x://span[contains(@id,'nc_1_n1z')]", timeout=20)if ele:ele = self.page.ele("#nc_1_n1t")time.sleep(3)ele.hover()self.page.actions.hold('#nc_1_n1z')self.page.actions.move(100, duration=random.random())self.page.actions.move(100, duration=random.random())self.page.actions.move(59, duration=3)def request_body(self):url = 'https://detail.1688.com/offer/643272204627.html'self.page.get(url)res = self.page.listen.wait()pattern = r'window\.__INIT_DATA\s*=\s*(\{.*?\})\s*</script>'match = re.search(pattern, res.response.body)try:json_data = match.group(1)dict_data = json.loads(json_data)temp_model = dict_data.get('globalData').get('tempModel')print(datetime.datetime.now())print(temp_model)except Exception as e:print(e)self.slide()if self.page.wait.eles_loaded("#recyclerview"):print('过滑动成功')elif self.page.wait.eles_loaded("#nc_1_refresh1"):print('滑动失败')# 需要继续处理.......elif self.page.wait.eles_loaded("#login-form"):print('需要登陆/换IP')# 需要继续处理.......def run(self):for i in range(1, 100000):self.request_body()if __name__ == '__main__':detail = Detail()detail.run()
最后总结一下,代码是半成品,想要实现完美的抓取阿里1688数据
- 第一需要完成IP代理模块;
- 第二完善报错机制;
- 第三优化滑块轨迹逻辑。