爬虫之网页分析

爬虫之网页分析

在编写爬虫的时候，我们需要对网页进行分析。这需要前端和后端知识的结合。

随着前端框架的进一步发展，为了安全性和代码的可维护性，很多前端使用js技术动态返回需要描写的页面，这就不是简单的urllib.request.urlopen能够访问的了。

于是有了selenium, marionette， puppeteer等浏览器外部接口的调用库。

众所周知，虽然selenium是一款常见的强大工具，但并不是无敌的。所谓“一招鲜吃遍天”的时代已经过去了。譬如有些网站设置一个简单的验证码门槛，你就要停下快速采集的脚步，处理这个令人头疼的问题——而生成复杂点的第一代验证码只需要几行代码——当前我使用过tesseract-ocr等识别技术，识别率均随网站作者的心情而浮动；有些网站限制了IP访问的频率，然而当你买了价值198元/月的代理借口想要一鼓作气拿下这个小网站的时候，骤然发现——开发人员觉得反正不会有很多人看这网站就破罐子破摔限制了所有IP访问的频率，于是你写的多线程高并发分布式统统不管用就是一潭死水。。。

但以上只是对现有普遍状况的一个客观描述。大数据时代，最有价值的就是数据。我们要接受爬虫的存在，也就要接受反爬虫的存在——如果我们能制定出反反爬虫的策略。

以网站为例，我们简单得使用Chromedriver模拟点击，会发现弹出了一个新的浏览器——这就有点为难了，我们还要进行主体的切换。继续手动测试发现，新浏览器的网址给出了详细的请求信息。于是考虑直接根据这个请求信息，改动最后一个p=后面的参数。

难度稍微升级。

以网站为例。进入某一个项目发现，点击下一页后上面的请求URL没有发生变化。于是检查页面上元素的信息。一看发现，就是调用了一个js的回调函数。再仔细想想，结合js的知识，我们可以直接从这个函数的表达式中截取了有价值的部分，整合URL，直接发送请求。最后结果可以直接请求table中的数据，甚至都不用对上部的数据进行二次请求，大大降低了资源的需求。

稍微改变研究方向。

以网站为例。搜索某个关键字，调出了结果后，我们可以看到很多条。于是我们对这个题目信息进行采集时候发现，当然我们可以模拟点击下一页一直下去。但有没有更好的方法呢？观察到上方的URL在点击下一页的时候没有发生变化，因为是以.do封装的一个方法。这里稍微结合一点后端知识，或者直接百度可以发现，所谓的.do只是对发送的请求进行了一个封装。于是打开开发者工具后，我们点击下一次，就可以看到发出的网络资源的变化。对请求头的formatdata进行分析，整合到URL中，我们可以直接进行请求。而对参数的稍微修改，我们不仅可以直接请求某一页，我们还可以请求每页的个数——当然挑个大的来啦，这样可以少请求很多次，少了很多的开销。

再稍稍增加难度。我们来谈谈jsonpcallback。

以网站为例。其实这个网站抓取并不难，直接调用浏览器就可以采集数据。但是我最初犯了一个低级的错误：Chrome打开URL后直接就进行了抓取，没有发现这里的渲染需要较长的时间。于是在那里纠结了一会儿为什么总是定位不到元素后，我决定试试别的方法——这主要也是前端知识不够体系化的原因。接着我对网页的请求进行了分析。很显然，由于是调用js进行前端页面上数据的变化，所以可以预见的URL没有发生变化。老一套，打开开发者工具，点击下一页，我们可以看到网络上发起了一个新请求。直接找到这个资源的headers，拼接URL，我们就构成了一个完整的请求体。直接请求这个URL，我们可以发现返回一个函数形式的数据。直接解析就可以了。——讲讲我的曲折的探索史：首先我先到本地的sources中去寻找这个search这个脚本，然后分析其中的函数，一路曲曲折折找到了jsonpcallback的这部分，才发现这个完整的请求方式。最后发现，我们根本不需要关心代码是如何实现的，而只要看请求是如何发出的就好了——这部分开发者工具做的很人性化，很好地帮助我们直接定位。

以上。

author@cheng