C#攻克反爬虫之谷歌浏览器调用

在上一篇爬虫博客中，我们讲述了应对IP访问限制的策略，即爬取代理IP并不断改变代理的方式。但是某些网站不仅在访问时做了限制，而且在返回网页时也做了巧妙的处理，比如在页面加载时调用js动态请求内容等。这种情况就不是简单的发出一个get请求可以爬取的了，这个时候可能就需要调用谷歌浏览器来实现爬取。本篇我们介绍通过C#调用谷歌浏览器来实现动态信息爬取。

普通爬虫遭遇的困境

假如我们要爬取某博客页面的详细信息，如标题，正文，作者，发布时间，阅读数等等。我们的第一思路是对这个页面的url发送一个get请求，对返回的网页报文通过xpath解析我们需要的信息。下面以一个博客详情页面为例：C#攻克反爬虫之代理IP爬取

    class Program
    {
        static void Main(string[] args)
        {
            BasicalMothed("https://blog.csdn.net/Leaderxin/article/details/102764234"); //调用原始方法
            Console.Read();
        }
        /// <summary>
        /// 这个我们普通的爬虫思路，通过请求url返回报文爬取
        /// </summary>
        static void BasicalMothed(string url)
        {
            HttpWebRequest req = WebRequest.Create(url) as HttpWebRequest;
            if (req == null)
                return;
            HttpWebResponse resp = (HttpWebResponse)req.GetResponse();
            Encoding bin = Encoding.GetEncoding("UTF-8");
            using (StreamReader sr = new StreamReader(resp.GetResponseStream(), bin))
            {
                string str = sr.ReadToEnd();
                Console.WriteLine(str.ToString());
                //在这里通过xpath对str的内容进行解析并存储
                return ;
            }
        }
    }

我们看一下打印出来的报文内容：

返回内容是乱码，明显某平台做了巧妙的处理，直接请求这个url是无法得到我们想要的报文的。还有一些场景，比如说某些网页里会有类似【更多】这样的按钮，点击后页面才会请求并渲染更多内容，这种也是无法通过直接请求该网页爬取的。

通过chromedriver调用浏览器

下面我们通过C#调用chromedriver来控制浏览器访问我们要爬取的页面并实现爬取。首先通过nuget安装Selenium库：

注意如果安装Selenium时选择的是最新版的，需要将谷歌浏览器更新到最新，不然调用的时候会有异常

然后我们通过F12看下要爬取页面的结构，看看我们要爬取的信息在哪些标签里，结果如下：
标题在class ='title-article’的h1中，发布时间在class='time’的span中，博主在class='follow-nickName’的a标签中，阅读数在class='read-count’的span中，正文在id='article_content’的div中。

然后编码调用谷歌浏览器访问这个页面并取到我们指定元素：

        /// <summary>
        /// 通过Selenium调用谷歌浏览器来爬取
        /// </summary>
        /// <param name="url"></param>
        static void SeleniumMothed(string url)
        {
            //启动谷歌浏览器
            IWebDriver selenium = new ChromeDriver();
            //浏览器跳转到我们要爬取的url
            selenium.Navigate().GoToUrl(url);
            //确保页面内容已加载完成
            while (string.IsNullOrEmpty(selenium.Title))
            {
                Task.Delay(100).GetAwaiter().GetResult();
            }
            
            
            //取到标题信息，通过css选择器
            var title = selenium.FindElement(By.CssSelector("h1.title-article")).Text; 
            //发布时间
            var time = selenium.FindElement(By.CssSelector("span.time")).Text;
            //博主名
            var name = selenium.FindElement(By.CssSelector("a.follow-nickName")).Text;
            //阅读数
            var nums = selenium.FindElement(By.CssSelector("span.read-count")).Text;
            //正文，由于id固定，我们直接用id选择器获取
            var content = selenium.FindElement(By.Id("article_content")).Text;
            Console.WriteLine("标题："+title);
            Console.WriteLine("发布时间："+time);
            Console.WriteLine("博主名："+name);
            Console.WriteLine("阅读数："+nums);
            Console.WriteLine("正文："+content);
        }

看下控制台打印结果：

可以看到，已经成功通过调用Chrome爬取到了我们想要的信息。Selenium能做到的事情还远不止如此，有兴趣的可以自己研究下。后面也会继续讲Selenium的一些其它用法。
上一篇：C#攻克反爬虫之代理IP爬取