总结爬虫相关(以电商淘宝为例)
首先对于爬虫,我一直持有的想法就是你会写代码,你就会写爬虫(当然以我现在接触到的以及使用过的语言而言使用过的编程语言有python和java,此处就特指java和python)。掌握了一门语言的语法,会写几个案例,可以跑起来,一些简单的逻辑实现代码可以看得懂,那么我就觉得你可以实现一个简单的爬虫了。前公司一直有写业务的同学问我如何写爬虫,甚至有工作四年的同学来问,我一直很迷惑,本质上写爬虫是简单的,找到一个网页,无需使用任何第三方库,用httpconnection获取网页内容,解析出你想要的内容就行了。这是一段很容易实现的代码,而他们跑来问我我很惊讶,入门级别的爬虫对于有工作经验的人来说应该是信手拈来的。而爬虫困难的点在于,目标网站的各种封禁,爬虫和反爬虫之间的较量,甚至是大数据量级别的爬取,机器的负载,代理IP池的考虑等等。今天就来总结一下我写过爬虫的一些经验。(针对较难爬取的网站)以电商平台淘宝为例。
技术方案
PC端
- 首先淘宝的数据,每逢双十一这种大促,反爬技术必定升级一版。我在爬取淘宝数据的时候,发现PC端可以拿到一页44条商品数据,返回100页,共4400条数据。这段数据包含在一段JS中,转换解析一下即可。但是经过多次数据验证之后,发现淘宝返回了很多欺骗数据,即页面文本里面返回的数据与页面并不相关。并且淘宝列表页数据爬取速度过快会跳出验证码弹窗。后期淘宝反爬技术升级,爬取过多会跳出登录页面。我采用使用代理池的方式,遇到登录页面便换代理IP。
- 淘宝页面后期反爬再次升级,现在访问PC端淘宝页面,必须登录才能访问。后我们采用puppteer的模式进行模拟访问,但仍需登录后才能操作,所以我们须得使用淘宝账号才能进行数据爬取。并且为防账号被封禁的危险,也需使用代理IP。puppteer以js形式,爬虫Downloader端调用js,将所需参数传递过去,代理IP、页面爬取URL等。
h5页面
- h5页面是在当时那个情况下,PC端采集的数据由于各种反爬封禁,数据采集量减少而作为补充的一个版本。我们调用h5页面爬取接口,那个接口每次最大只返回20条数据,只返回100页的数据,即比pc端少一半的数据。并且h5端返回的数据也与pc端有所不同,比如销量、库存等,h5与pc端是两个不同的数值。
代码示范
-
下面给出PC端采用puppteer的方式采集数据的代码示例,因为目前主要采用的这种方式,h5页面的方式由于封禁被摒弃了。项目采用webmagic框架,爬取过程需要实际淘宝账号,并且爬取过程中,账号也存在被封的风险,所以需要在页面返回时进行判断,通知是否需要进行更换账号或者更换代理IP操作。
public Page download(Request request, Task task) { String url = request.getUrl(); LOGGER.info("Puppeteer download page url:{}", url); Page page = new Page(); StringBuilder pageContentBuilder = new StringBuilder(); StringBuilder errorPageContentBuilder = new StringBuilder(); Process process = null; try { String command = "sh" + SPACE + puppeteerJs + SPACE + proxyIpPort + SPACE + url; LOGGER.info("Puppeteer start command:{} ", command); process = Runtime.getRuntime().exec(command); BufferedReader reader = new BufferedReader(new InputStreamReader(process.getInputStream())); while ((pageContent = reader.readLine()) != null) { pageContentBuilder.append(pageContent).append("\n"); } BufferedReader errReader = new BufferedReader(new InputStreamReader(process.getErrorStream())); while ((errPageContent = errReader.readLine()) != null) { errorPageContentBuilder.append(errPageContent).append("\n"); } if (StringUtils.isNotBlank(pageContentBuilder.toString())) { page.setUrl(new PlainText(request.getUrl())); page.setRequest(request); page.setRawText(pageContentBuilder.toString()); page.setHtml(new Html(pageContentBuilder.toString(), request.getUrl())); if (pageContentBuilder.toString().contains(WRONG_CONTENT)) { LOGGER.info("page resource is wrong content:{}", pageContentBuilder.toString()); page.setRawText("error page"); LOGGER.info("page resource is reset:{}", pageContentBuilder.toString()); } } if (StringUtils.isNotBlank(errorPageContentBuilder.toString())) { LOGGER.info("errorPageContentBuilder is :{}", errorPageContentBuilder.toString()); page.setSkip(true); page.setUrl(new PlainText(request.getUrl())); page.setRequest(request); page.setRawText("error page"); LOGGER.info("page resource is reset:{}", "error page"); } reader.close(); } catch (Exception e) { e.printStackTrace(); LOGGER.error("start process exception:{}", e.getMessage()); page.setSkip(true); page.setUrl(new PlainText(request.getUrl())); page.setRequest(request); } finally { if (null != process) { process.destroy(); LOGGER.info("process destroy..."); } } return page; }