最新文章專題視頻專題問答1問答10問答100問答1000問答2000關(guān)鍵字專題1關(guān)鍵字專題50關(guān)鍵字專題500關(guān)鍵字專題1500TAG最新視頻文章推薦1 推薦3 推薦5 推薦7 推薦9 推薦11 推薦13 推薦15 推薦17 推薦19 推薦21 推薦23 推薦25 推薦27 推薦29 推薦31 推薦33 推薦35 推薦37視頻文章20視頻文章30視頻文章40視頻文章50視頻文章60 視頻文章70視頻文章80視頻文章90視頻文章100視頻文章120視頻文章140 視頻2關(guān)鍵字專題關(guān)鍵字專題tag2tag3文章專題文章專題2文章索引1文章索引2文章索引3文章索引4文章索引5123456789101112131415文章專題3
問答文章1 問答文章501 問答文章1001 問答文章1501 問答文章2001 問答文章2501 問答文章3001 問答文章3501 問答文章4001 問答文章4501 問答文章5001 問答文章5501 問答文章6001 問答文章6501 問答文章7001 問答文章7501 問答文章8001 問答文章8501 問答文章9001 問答文章9501
當(dāng)前位置: 首頁 - 科技 - 知識百科 - 正文

怎樣實(shí)現(xiàn)百度指數(shù)爬蟲功能

來源:懂視網(wǎng) 責(zé)編:小采 時間:2020-11-27 19:55:43
文檔

怎樣實(shí)現(xiàn)百度指數(shù)爬蟲功能

怎樣實(shí)現(xiàn)百度指數(shù)爬蟲功能:這次給大家?guī)碓鯓訉?shí)現(xiàn)百度指數(shù)爬蟲功能,實(shí)現(xiàn)百度指數(shù)爬蟲功能的注意事項(xiàng)有哪些,下面就是實(shí)戰(zhàn)案例,一起來看一下。 之前看過一篇腦洞大開的文章,介紹了各個大廠的前端反爬蟲技巧,但也正如此文所說,沒有100%的反爬蟲方法,本文介紹一種簡單的方法,來繞
推薦度:
導(dǎo)讀怎樣實(shí)現(xiàn)百度指數(shù)爬蟲功能:這次給大家?guī)碓鯓訉?shí)現(xiàn)百度指數(shù)爬蟲功能,實(shí)現(xiàn)百度指數(shù)爬蟲功能的注意事項(xiàng)有哪些,下面就是實(shí)戰(zhàn)案例,一起來看一下。 之前看過一篇腦洞大開的文章,介紹了各個大廠的前端反爬蟲技巧,但也正如此文所說,沒有100%的反爬蟲方法,本文介紹一種簡單的方法,來繞

這次給大家?guī)碓鯓訉?shí)現(xiàn)百度指數(shù)爬蟲功能,實(shí)現(xiàn)百度指數(shù)爬蟲功能的注意事項(xiàng)有哪些,下面就是實(shí)戰(zhàn)案例,一起來看一下。

之前看過一篇腦洞大開的文章,介紹了各個大廠的前端反爬蟲技巧,但也正如此文所說,沒有100%的反爬蟲方法,本文介紹一種簡單的方法,來繞過所有這些前端反爬蟲手段。

下面的代碼以百度指數(shù)為例,代碼已經(jīng)封裝成一個百度指數(shù)爬蟲node庫: https://github.com/Coffcer/baidu-index-spider

note: 請勿濫用爬蟲給他人添麻煩

百度指數(shù)的反爬蟲策略

觀察百度指數(shù)的界面,指數(shù)數(shù)據(jù)是一個趨勢圖,當(dāng)鼠標(biāo)懸浮在某一天的時候,會觸發(fā)兩個請求,將結(jié)果顯示在懸浮框里

可以發(fā)現(xiàn),百度指數(shù)實(shí)際上在前端做了一定的反爬蟲策略。當(dāng)鼠標(biāo)移動到圖表上時,會觸發(fā)兩個請求,一個請求返回一段html,一個請求返回一張生成的圖片。html中并不包含實(shí)際數(shù)值,而是通過設(shè)置width和margin-left,來顯示圖片上的對應(yīng)字符。并且請求參數(shù)上帶有res、res1這種我們不知如何模擬的參數(shù),所以用常規(guī)的模擬請求或者h(yuǎn)tml爬取的方式,都很難爬到百度指數(shù)的數(shù)據(jù)。

爬蟲思路

怎么突破百度這種反爬蟲方法呢,其實(shí)也很簡單,就是完全不去管他是如何反爬蟲的。我們只需模擬用戶操作,將需要的數(shù)值截圖下來,做圖像識別就行。步驟大概是:

  1. 模擬登錄

  2. 打開指數(shù)頁面

  3. 鼠標(biāo)移動到指定日期

  4. 等待請求結(jié)束,截取數(shù)值部分的圖片

  5. 圖像識別得到值

  6. 循環(huán)第3~5步,就得到每一個日期對應(yīng)的值

這種方法理論上能爬任何網(wǎng)站的內(nèi)容,接下來我們來一步步實(shí)現(xiàn)爬蟲,下面會用到的庫:

  1. puppeteer 模擬瀏覽器操作

  2. node-tesseract tesseract的封裝,用來做圖像識別

  3. jimp 圖片裁剪

安裝Puppeteer, 模擬用戶操作

Puppeteer是Google Chrome團(tuán)隊(duì)出品的Chrome自動化工具,用來控制Chrome執(zhí)行命令??梢阅M用戶操作,做自動化測試、爬蟲等。用法非常簡單,網(wǎng)上有不少入門教程,順著本文看完也大概可以知道如何使用。

API文檔: https://github.com/GoogleChrome/puppeteer/blob/master/docs/api.md

安裝:

npm install --save puppeteer

Puppeteer在安裝時會自動下載Chromium,以確??梢哉_\(yùn)行。但是國內(nèi)網(wǎng)絡(luò)不一定能成功下載Chromium,如果下載失敗,可以使用cnpm來安裝,或者將下載地址改成淘寶的鏡像,然后再安裝:

npm config set PUPPETEER_DOWNLOAD_HOST=https://npm.taobao.org/mirrors
npm install --save puppeteer

你也可以在安裝時跳過Chromium下載,通過代碼指定本機(jī)Chrome路徑來運(yùn)行:

// npm
npm install --save puppeteer --ignore-scripts
// node
puppeteer.launch({ executablePath: '/path/to/Chrome' });

實(shí)現(xiàn)

為版面整潔,下面只列出了主要部分,代碼涉及到selector的部分都用了...代替,完整代碼參看文章頂部的github倉庫。

打開百度指數(shù)頁面,模擬登錄

這里做的就是模擬用戶操作,一步步點(diǎn)擊和輸入。沒有處理登錄驗(yàn)證碼的情況,處理驗(yàn)證碼又是另一個話題了,如果你在本機(jī)登錄過百度,一般不需要驗(yàn)證碼。

// 啟動瀏覽器,
// headless參數(shù)如果設(shè)置為true,Puppeteer將在后臺操作你Chromium,換言之你將看不到瀏覽器的操作過程
// 設(shè)為false則相反,會在你電腦上打開瀏覽器,顯示瀏覽器每一操作。
const browser = await puppeteer.launch({headless:false});
const page = await browser.newPage();
// 打開百度指數(shù)
await page.goto(BAIDU_INDEX_URL);
// 模擬登陸
await page.click('...');
await page.waitForSelecto('...');
// 輸入百度賬號密碼然后登錄
await page.type('...','username');
await page.type('...','password');
await page.click('...');
await page.waitForNavigation();
console.log(':white_check_mark: 登錄成功');

模擬移動鼠標(biāo),獲取需要的數(shù)據(jù)

需要將頁面滾動到趨勢圖的區(qū)域,然后移動鼠標(biāo)到某個日期上,等待請求結(jié)束,tooltip顯示數(shù)值,再截圖保存圖片。

// 獲取chart第一天的坐標(biāo)
const position = await page.evaluate(() => {
 const $image = document.querySelector('...');
 const $area = document.querySelector('...');
 const areaRect = $area.getBoundingClientRect();
 const imageRect = $image.getBoundingClientRect();
 // 滾動到圖表可視化區(qū)域
 window.scrollBy(0, areaRect.top);
 return { x: imageRect.x, y: 200 };
});
// 移動鼠標(biāo),觸發(fā)tooltip
await page.mouse.move(position.x, position.y);
await page.waitForSelector('...');
// 獲取tooltip信息
const tooltipInfo = await page.evaluate(() => {
 const $tooltip = document.querySelector('...');
 const $title = $tooltip.querySelector('...');
 const $value = $tooltip.querySelector('...');
 const valueRect = $value.getBoundingClientRect();
 const padding = 5;
 return {
 title: $title.textContent.split(' ')[0],
 x: valueRect.x - padding,
 y: valueRect.y,
 width: valueRect.width + padding * 2,
 height: valueRect.height
 }
});

截圖

計算數(shù)值的坐標(biāo),截圖并用jimp對裁剪圖片。

await page.screenshot({ path: imgPath });
// 對圖片進(jìn)行裁剪,只保留數(shù)字部分
const img = await jimp.read(imgPath);
await img.crop(tooltipInfo.x, tooltipInfo.y, tooltipInfo.width, tooltipInfo.height);
// 將圖片放大一些,識別準(zhǔn)確率會有提升
await img.scale(5);
await img.write(imgPath);

圖像識別

這里我們用Tesseract來做圖像識別,Tesseracts是Google開源的一款OCR工具,用來識別圖片中的文字,并且可以通過訓(xùn)練提高準(zhǔn)確率。github上已經(jīng)有一個簡單的node封裝: node-tesseract ,需要你先安裝Tesseract并設(shè)置到環(huán)境變量。

Tesseract.process(imgPath, (err, val) => {
if (err || val == null) {
 console.error(':x: 識別失敗:' + imgPath);
 return;
}
console.log(val);

實(shí)際上未經(jīng)訓(xùn)練的Tesseracts識別起來會有少數(shù)幾個錯誤,比如把9開頭的數(shù)字識別成`3,這里需要通過訓(xùn)練去提升Tesseracts的準(zhǔn)確率,如果識別過程出現(xiàn)的問題都是一樣的,也可以簡單通過正則去修復(fù)這些問題。

封裝

實(shí)現(xiàn)了以上幾點(diǎn)后,只需組合起來就可以封裝成一個百度指數(shù)爬蟲node庫。當(dāng)然還有許多優(yōu)化的方法,比如批量爬取,指定天數(shù)爬取等,只要在這個基礎(chǔ)上實(shí)現(xiàn)都不難了。

const recognition = require('./src/recognition');
const Spider = require('./src/spider');
module.exports = {
 async run (word, options, puppeteerOptions = { headless: true }) {
 const spider = new Spider({ 
 imgDir, 
 ...options 
 }, puppeteerOptions);
 // 抓取數(shù)據(jù)
 await spider.run(word);
 // 讀取抓取到的截圖,做圖像識別
 const wordDir = path.resolve(imgDir, word);
 const imgNames = fs.readdirSync(wordDir);
 const result = [];
 imgNames = imgNames.filter(item => path.extname(item) === '.png');
 for (let i = 0; i < imgNames.length; i++) {
 const imgPath = path.resolve(wordDir, imgNames[i]);
 const val = await recognition.run(imgPath);
 result.push(val);
 }
 return result;
 }
}

反爬蟲

最后,如何抵擋這種爬蟲呢,個人認(rèn)為通過判斷鼠標(biāo)移動軌跡可能是一種方法。當(dāng)然前端沒有100%的反爬蟲手段,我們能做的只是給爬蟲增加一點(diǎn)難度。

相信看了本文案例你已經(jīng)掌握了方法,更多精彩請關(guān)注Gxl網(wǎng)其它相關(guān)文章!

推薦閱讀:

easyui日期時間框在IE中的兼容性如何處理

vue判斷input輸入內(nèi)容有否有空格

聲明:本網(wǎng)頁內(nèi)容旨在傳播知識,若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系,我們將在第一時間刪除處理。TEL:177 7030 7066 E-MAIL:11247931@qq.com

文檔

怎樣實(shí)現(xiàn)百度指數(shù)爬蟲功能

怎樣實(shí)現(xiàn)百度指數(shù)爬蟲功能:這次給大家?guī)碓鯓訉?shí)現(xiàn)百度指數(shù)爬蟲功能,實(shí)現(xiàn)百度指數(shù)爬蟲功能的注意事項(xiàng)有哪些,下面就是實(shí)戰(zhàn)案例,一起來看一下。 之前看過一篇腦洞大開的文章,介紹了各個大廠的前端反爬蟲技巧,但也正如此文所說,沒有100%的反爬蟲方法,本文介紹一種簡單的方法,來繞
推薦度:
標(biāo)簽: 如何 百度 指數(shù)
  • 熱門焦點(diǎn)

最新推薦

猜你喜歡

熱門推薦

專題
Top