由于一些巨大的困难,一些后端爬虫改成了前端爬虫。
前端爬虫是只有js语言,后端爬虫有python java nodejs php这些语言。
前端爬虫有window.document对象,在浏览器端的爬虫即使是二次发送ajax,也不需要学后端爬虫来构造一堆请求头,特别是困难的cookie token。最为重要的还是天然的突破了ip限制。
提取个人信息,直接使用页面渲染后的结构:
/** * Created by xy49476 on 2018/1/9. */ /* * http://iservice.10010.com/e4/index_server.html * 提取个人信息 * */ function extractPersonalInfomation() { var loginName = document.querySelector('#personalInfo td').innerText; var userLevel = document.querySelector('#font').innerText; var userName = document.querySelector('div.data_basic_c.ly_gr_zl > dl:nth-child(1) > dd').innerText; var sex = document.querySelector('div.data_basic_c.ly_gr_zl > dl:nth-child(3) > dd').innerText; var idNo = document.querySelector('div.data_basic_c.ly_gr_zl > dl:nth-child(5) > dd').innerText; var contactPhone = document.querySelector('div.data_basic_c.ly_gr_zl > dl:nth-child(9) > dd').innerText; var contactAddress = document.querySelector('div.data_basic_c.ly_gr_zl > dl:nth-child(11) > dd').innerText; var package = document.querySelector('#packageInfocontext > div.add_main > div > dl:nth-child(1) > dd').innerText; var chargeType = document.querySelector('#packageInfocontext > div.add_main > div > dl:nth-child(3) > dd').innerText; var currentStatus = document.querySelector('#numberContext > div.data_basic_c2 > div.data_basic_c2_l > dl:nth-child(1) > dd').innerText; var netInDate = document.querySelector('#numberContext > div.data_basic_c2 > div.data_basic_c2_r > dl:nth-child(1) > dd').innerText; var billingAccount = document.querySelector('#numberContext > div.data_basic_c2 > div.data_basic_c2_l > dl:nth-child(3) > dd').innerText; var brand = document.querySelector('#numberContext > div.data_basic_c2 > div.data_basic_c2_r > dl:nth-child(2) > dd').innerText; var communicatelevel = document.querySelector('#numberContext > div.data_basic_c2 > div.data_basic_c2_l > dl:nth-child(4) > dd').innerText; var pukCode = document.querySelector('#numberContext > div.data_basic_c2 > div.data_basic_c2_r > dl:nth-child(3) > dd').innerText; var contractName = document.querySelector('#contractPeriod > div.ly_gr_l2 > dl:nth-child(1) > dd').innerText; var effectiveTime = document.querySelector('#contractPeriod > div.ly_gr_l2 > dl:nth-child(3) > dd').innerText; var uneffectiveTime = document.querySelector('#contractPeriod > div.ly_gr_l2 > dl:nth-child(5) > dd').innerText; personalObj = {loginName:loginName, userLevel:userLevel, userName:userName, sex:sex, idNo:idNo, contactPhone:contactPhone, contactAddress:contactAddress, package:package, chargeType:chargeType, currentStatus:currentStatus, netInDate:netInDate, billingAccount:billingAccount, brand:brand, communicatelevel:communicatelevel, pukCode:pukCode, contractName:contractName, effectiveTime:effectiveTime, uneffectiveTime:uneffectiveTime }; return '{"personalInfo":' + JSON.stringify(personalObj) + '}'; } //extractPersonalInfomation();
提取通话记录,这里和上面不同,发送了ajax来获取json,按月份按分页获取通话记录:
/**
* Created by xy49476 on 2018/1/10.
*/
/*http://iservice.10010.com/e4/query/bill/call_dan-iframe.html?menuCode=000100030001
提取通话记录
*
* */
function extractCallRecordsOuter() {
function getNear6Montgh(){
var near6MonthArray = [];
for (var i=0;i<6;i++){
var d = new Date();
d.setMonth(d.getMonth() - i);
var yy1 = d.getFullYear();
var mm1 = d.getMonth() + 1;//因为getMonth()返回值是 0(一月) 到 11(十二月) 之间的一个整数。所以要给其加1
var dd1 = d.getDate();
// if (mm1 < 10) {
// mm1 = '0' + mm1;
// }
if (dd1 < 10) {
dd1 = '0' + dd1;
}
console.info(yy1 + '-' + mm1 + '-' + dd1);
near6MonthArray.push([yy1,mm1]);
}
return near6MonthArray;
}
//按照年月,获取一个月有多少天 mGetDate(2004,2)
function mGetDate(year, month){
var d = new Date(year, month, 0);
return d.getDate();
}
var callRecordsArray = [];
function extractCallRecords() {
//历史账单
var near6MonthArray = getNear6Montgh();
for (i of near6MonthArray) {
var dates = mGetDate(i[0], i[1]);
var mm1 = i[1];
if (mm1 < 10) {
mm1 = '0' + mm1;
}
var yearMonth = i[0] + '' + mm1;
var callRecordsObj = {};
callRecordsObj.pagelist = [];
callRecordsObj.yearMonth = yearMonth;
function extractCallRecordByPage(page) {
var page = page || 1;
var url = 'http://iservice.10010.com/e3/static/query/callDetail?_=1515561593328&accessURL=http://iservice.10010.com/e4/query/bill/call_dan-iframe.html?menuCode=000100030001&menuid=000100030001';
var data = {
pageNo: page,
pageSize: 200,
beginDate: yearMonth + '01',
endDate: yearMonth + dates
};
console.debug(data);
var htmlObj = $.ajax({
type: 'POST',
url: url,
data: data,
async: false //一定要设置这个,否则异步的还没得到返回结果就执行到下面去了,代码 一定会报错
});
var htmlStr = htmlObj.responseText;
console.debug('htmlStr:',htmlStr);
var callRecordsRawObj = JSON.parse(htmlStr);
callRecordsObj.pagelist = callRecordsObj.pagelist.concat(callRecordsRawObj.pagelist);
var totalpage = callRecordsRawObj.totalpage;
if (page < totalpage) {
extractCallRecordByPage(page + 1); //回调自己
}
}
extractCallRecordByPage();
callRecordsArray.push(callRecordsObj);
}
callRecordsInfoObj = {
callRecordsInfo:callRecordsArray
};
return JSON.stringify(callRecordsInfoObj);
}
return extractCallRecords();
}
//extractCallRecordsOuter();
为了一个脚本一个函数,在最外层套了一个函数。
有没有很像js闭包,但这不是闭包。
最后三行是
return extractCallRecords();
}
extractCallRecordsOuter();
如果改成下面,
return extractCallRecords;
}
extractCallRecordsOuter()();
这样就是js之闭包了。
前端爬虫时候,使用jqury选择器或者document的queryselector方法就能使用css3选择器的语法了。比getElementByxx能更精确的提取某些元素。
使用jquery时候,如果被爬页面没有引入jquery库,需要先在document注入jquery地址或者完整的执行一遍jquery代码。