这篇博客介绍了如何使用 Web Scraper 的浏览器插件对京东的商品搜索结果、商品价格、规格参数等进行爬取，介绍了 Web Scraper 插件的基本使用方式，以及京东弹出安全验证的处理小技巧。
- 研究最近需要用到京东的商品数据。刚开始采用了常规的 request 库的方法直接发送请求，然后解析返回结果的方式，但是京东的反爬太狠了，请求几次直接就给嘎了，多次尝试后还是以失败告终。
- 经推荐，我用上了 Web Scraper 这个插件，发现上手简单，傻瓜式操作，而且最重要的是没有被京东很快地拦截掉，能比较顺利地爬到数据，所以写这篇博客记录一下使用方法，以备后续需要并和大家分享。
Web Scraper 安装
Web Scraper 对 MicroSoft Edge 和 Chrome 两款浏览器都提供了插件，直接去插件商店安装就可以了，具体的安装过程也很简单，不会的可以自行百度，这里就不赘述了。
Web Scraper 使用
- 安装好插件之后，按 F12 进入浏览器的开发人员工具，在最右边就可以看到 Web Scraper 选项。
- 点击 Web Scraper 选项，进入页面。刚进入时里面啥也没有，需要自行创建爬虫或者导入别人写好的爬虫。这里的 Sitemap 的意思是对于一个网站（site）需要以怎样的解析方式（map）去获取数据，也就是对目标网站的爬虫结构。
- 点击 Create Sitemap 开始创建第一个爬虫。Sitemap name 是这个爬虫的名称，Start URL 是要爬取的网页，直接把网址复制粘贴进去即可。另外，可以看到 Start URL 后面有个数字1，点击后面的 + 号可以增加一个URL，也就是说这个爬虫可以应用在多个结构相同的网页上，比如要爬取京东上手机和电脑的搜索结果，可以将手机和电脑的搜索结果的网址逐个粘贴在 Start URL 中，这样就可以避免在爬完手机之后又要回来将网址修改成电脑的URL造成的麻烦。
- 新建一个 Sitemap 后，我们还没有定义任何的爬取行为。点击 Add new selector，开始定义爬取行为。
- 在 selector 定义界面，id 是你爬取得到的数据字段的名称。接下来的 Type 是要爬取的行为的类型，最常用的是文本类型 Text，也就是获取文字。
- Selector 是选取网页上的元素。点击 Select 后，网页会弹出选择提示框。点击网页中你想要爬取的元素后，网页会用红色框将元素标记。通过点击多个相同的元素， Web Scraper 会调整提取代码以匹配标记结果。如下图，我要爬取手机的名称，所以在点击 Selector 后，我对网页上的手机名称进行点击。点击第二个名称后，就会有多个被代码匹配的名称被标红。此时，可以滑动网页查看是否有漏掉的没被标红的名称，然后将漏网之鱼选上即可。
- 如果对选取结果不满意，或者想换一种元素选取，可以再次点击 Selector，此时标记会被清除，点击后会匹配重新选择的元素。
- 点击 Element preview，你可以查看网页中哪些元素被匹配了，然后决定是否调整选择器的代码。
- 点击 Data Preview，你可以查看提取出来的数据是怎么样的，然后决定是否调整选择器的代码。
- 可以看到，此时提取出来的数据只有一条，但是我们需要所有的匹配结果。这时，我们只需勾选上 Multiple 选项，就会提取所有匹配数据。
- Regex 选项是用来匹配正则表达式的，你可以在这里面输入正则表达式来筛选出想要的文本。
- 如果你对HTML网页的结构有一些了解的话，可以使用元素选择其去定位网页中的元素的HTML代码，然后复制 selector 路径，粘贴到 Selector 的路径框中。之后，对路径代码进行调整使其匹配所有元素（如删除特定的顺序标识或类名标识）。
- ！！！强烈推荐使用HTML网页代码路径的方式来匹配目标元素，准确率更高，而且能够爬取那些页面上不可见但存在于HTML代码里面的文本（如包含在
- 在 selector 定义界面，id 是你爬取得到的数据字段的名称。接下来的 Type 是要爬取的行为的类型，最常用的是文本类型 Text，也就是获取文字。
- 在实际运行爬虫的时候，我们发现，京东的商品页面在搜索后只会加载一半，当将网页往下滑时才会加载另一半，所以在运行爬虫时，我们需要先将网页向下滑动、使网页完全加载，然后再提取商品名称。Web Scraper 提供了 Element scroll down 行为来实现这种目标。
-
新建一个 Selector，选择 Type 为 Element scrill down。
-
Selector 选择需要加载的元素。这里选择的元素需要是商品名称的父元素，也就是包含商品名称的上一级元素。在使用 Select选择时，可以在点击完商品名称后再点击一下 P，即可选择父元素。
-
勾选 Multiple，选择所有匹配的元素。
-
Element limit （加载元素的数量上限） 和 Delay （网页加载时间） 根据需要调整。
-
由于我们需要先加载页面再提取名称，所以 scroll_page 需要在 product 前执行，因此 scroll_page 应该作为 product 的父节点，即先定义 scroll_page，然后在其下一级定义 product。
-
此时，product 的定义与之前有所不同。此时的 product 的行为是针对每一个 scroll_page 爬取得到的元素进行处理，所以在定义时：1）不用勾选 Multiple，因为处理对象由上一级的 scroll_page提供；2）在定义 Selector 时，要以 scroll_page 的元素为参考标准来定义，即定义父节点内部的路径。
-
在 Sitemap demo 中选择 Selector graph，可以看到爬虫执行的顺序结构。
-
- 在获取完手机名称后，我们还需要获取手机的售价、规格参数等信息，这些都在手机的详情页中。因此，我们需要点击手机详情页链接，进入新的网页进行爬取。
- 在 scroll_page 的下一级、product 的同一级新建一个 Selector，命名为 click。
- 选择 Type 为 Link，这代表去到一个新的网页。
- 在 Selector 中选择获取手机详情页链接的路径。
- 和 product 一样，路径以 scroll_page 为父节点，且不需要勾选 Multiple。
- 点击 Data preview，可以看到成功提取出了每款手机的详情页链接。
- 获取完详情页链接后，进入 click 的下一级，在其子级中定义商品售价、规格参数等爬虫，代表之后的爬取行为都在新的网页中进行。在设置 Web Scraper 时，可以直接将详情页链接复制粘贴到当前窗口的地址栏，这样可以在当前窗口进行 click 子级的可视化编辑。
- 爬取手机价格
- 新建一个 Selector，命名为 price。
- 爬取价格的设置与之前爬取手机名称的设置类似，这里就不赘述了，直接上图。
- 爬取手机规格参数
- 点击手机规格参数选项，发现参数的呈现形式类似于表格，但是使用 Table 类型的 Type 对参数信息提取时失败了，因为其在HTML中的编写时并非使用表格形式。所以直接提取 Text。
- 点击手机规格参数选项，发现参数的呈现形式类似于表格，但是使用 Table 类型的 Type 对参数信息提取时失败了，因为其在HTML中的编写时并非使用表格形式。所以直接提取 Text。
- 由于参数类别、参数名称、参数值（第1、2、3列）提取逻辑类似，所以只介绍参数类别的设置。
- 新建一个 Selector，命名为 specification_category。
- 选择 Tpye 为 Text，直接提取文字。
- 勾选 Multiple。因为这相当于在一个父元素中提取多个元素。
- 点击 Data preview，发现提取结果将每一个类别都单独作为一条信息记录，而这种记录格式的后果是，在最终的爬取结果中，每一个类别数据都会占据独立的一行，而在之前爬取的信息会重复记录以匹配每一条数据，再加上如果参数名称和参数值都这样处理，便会造成大量的数据冗余。因此，我们希望在记录数据时，每款手机的参数类别作为一条记录存储。
- 为了改变记录格式，我们重新设置 Selector。选择 Type 为 Grouped，这样会以列表的形式记录下参数类别。
- 点击 Data preview，可以看到所有参数类别都记录为同一条数据。
- 类似地，定义爬取参数名称和参数值的行为。
- 至此，所有的爬虫结构均定义完毕，总体结构如下图所示：
- 接下来，我们定义需要爬取的所有页面。点击 Sitemap demo > Edit metadata，将要爬取的 URL 改成不同页面的通用格式。京东的商品搜索页面的编号是 2*n+1，我们爬取前50页，所以 page 设置为 [1-101:2] (含义是：[start_num-end_num:step])。
- 至此，爬虫设置完毕，可以开始爬数据了！
- 点击 Sitemap demo > Scrape，根据自己的需要调整 Request interval（请求间隔）和 Page load delay （网页加载时间），点击 Start scraping 即可开始爬取数据。
- 开始爬取后，Web Scraper 会新打开一个浏览器窗口。我们只需等待爬虫运行结束即可。
- 注意：爬虫运行时，千万不要将 Web Scraper 打开浏览器窗口最小化或关闭，不然爬虫会停止或者结束。
- 点击 Sitemap demo > Scrape，根据自己的需要调整 Request interval（请求间隔）和 Page load delay （网页加载时间），点击 Start scraping 即可开始爬取数据。
- 爬虫运行期间或者结束后，我们都可以点击 Sitemap demo > Browse 查看已爬取的数据。倘若发现有需要调整的地方，可以及时关闭浏览器窗口结束爬虫。
- 爬取结束后，点击 Sitemap demo > Export data可以选择以 .xlsx 或 .csv 的格式导出数据。
- 点击 Sitemap demo > Export Sitemap，可以将爬虫结构导出。
- 爬虫运行期间，总会因为网络波动或安全验证等原因导致爬取数据缺失。针对这种情况，我们在数据处理后将未爬取到的链接写入一个新的 HTML 文件中，然后以此 HTML 文件为起始网页运行 Web Scraper，对缺失的数据进行补充爬取。
- 本文的爬虫 json 如下，有需要的同学自取，直接点击 Create new sitemap > Import Sitemap 后粘贴即可：
{“_id”:“demo”,“startUrl”:[“https://search.jd.com/Search?keyword=%E6%89%8B%E6%9C%BA&enc=utf-8”],“selectors”:[{“delay”:1000,“elementLimit”:500,“id”:“scroll_page”,“multiple”:true,“parentSelectors”:[“_root”],“selector”:“#J_goodsList > ul > li > div”,“type”:“SelectorElementScroll”},{“id”:“product”,“multiple”:false,“parentSelectors”:[“scroll_page”],“regex”:“”,“selector”:“div.p-name.p-name-type-2”,“type”:“SelectorText”},{“id”:“click”,“linkType”:“linkFromHref”,“multiple”:false,“parentSelectors”:[“scroll_page”],“selector”:“.p-name a”,“type”:“SelectorLink”},{“id”:“price”,“multiple”:false,“parentSelectors”:[“click”],“regex”:“”,“selector”:“span.price”,“type”:“SelectorText”},{“extractAttribute”:“”,“id”:“specification_category”,“parentSelectors”:[“click”],“selector”:“div.Ptable-item h3”,“type”:“SelectorGroup”},{“extractAttribute”:“”,“id”:“specification_name”,“parentSelectors”:[“click”],“selector”:“div.Ptable-item dl.clearfix dt”,“type”:“SelectorGroup”},{“extractAttribute”:“”,“id”:“specification_value”,“parentSelectors”:[“click”],“selector”:“dl.clearfix dd:not(.Ptable-tips)”,“type”:“SelectorGroup”}]}
京东安全验证
- 在爬虫运行过程中，京东安全验证是一个极大的阻碍，基本上一两分钟就会跳出来，导致很多数据爬不全。而由于爬虫运行时的请求间隔和加载时间较短，很难在那么短的时间内完成滑块验证，所以在爬取界面直接完成验证难度很大。
- 数次尝试后，我发现在新的标签页再打开一个京东页面，也会出现安全验证，而此时不存在爬虫导致的需要很快的手速，完成验证后也能使爬虫继续获取数据。
- 这种方式一定程度上解决了由于安全验证导致数据缺失的问题，但终归无法实现自动完成验证，需要一直盯着浏览器窗口，一出现验证就及时处理。
- 经过测试发现， Web Scraper 可以同时在 Edge 和 Chrome 上执行不同的爬虫程序，但如果在一个浏览器上执行多个爬虫程序，会导致先执行的爬虫在后执行的爬虫开始执行前爬取到的数据丢失。
原创不易，麻烦大家点个关注收藏评论支持一下~~
436
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
