腾讯动漫爬虫与动态随机加载反爬破解技术实战

  1. 云栖社区>
  2. 博客>
  3. 正文

腾讯动漫爬虫与动态随机加载反爬破解技术实战

韦玮 2017-07-28 16:53:38 浏览3421
展开阅读全文

​​本文作者韦玮原创,转载请注明出处。

项目需求与问题引入

有时,我们想爬取腾讯动漫中的漫画,比如,我们不妨打开腾讯动漫中某一个动漫的网址http://ac.qq.com/Comic/comicInfo/id/539443,如下图所示:

然后,我们点击“开始阅读”,出现如下所示界面:

可以看到,在此有一副漫画,我们可以按常规方式尝试进行处理,我们查看该网页对应的源代码,可以发现在源代码中并不能找到这副漫画的图片地址,并且,当我们鼠标往下滑动的时候,才会触发加载后续的漫画,所以,我们可以初步断定,这种数据是通过异步加载动态触发出来的。

按照一贯的解决思路,我们接下来尝试使用抓包分析进行解决这个问题,所以我们打开Fiddler。

打开Fiddler之后,我们再次打开动漫页拖动触发出相应的漫画,与此同时,Fiddler中会依次出现新触发的资源信息,如下所示:

我们依次分析这些网址,并把漫画相关的网址整理复制出来,放到word中,如下所示:

通过对比观察,我们可以看到漫画资源的网址规律。

对应的规律如下:

http://ac.qq.com/store_file_download?buid=动漫ID&uin=uin值&dir_path=/&name=日期_随机数_漫画图片ID.jpg

我们可以看到,其地址中有一段是随机数,这一段网址我们很难通过以往的网址构造的方法构造出来,所以,即使分析出了网址规律也无济于事,因为这个网址的规律中有一部分是随机数,即无规律的字段。

所以,显然,这种网址动态触发+资源随机存储的反爬策略我们采用以往的反爬攻关技巧很难解决,这一点大家可以先按常规的方法尝试写一遍便会有深刻感触。

问题的解决办法总是有的,只要我们思考,接下来,我们就为大家讲解这一种反爬策略应该如何攻克解决,今天我们的主要需求与目的是使用Python自动爬取腾讯动漫里面的各个漫画,实现自动加载触发漫画并得到随机地址的功能,以此为例为大家讲解网址动态触发+资源随机存储的反爬策略的攻克方式。

问题难点与解决思路

由上面的介绍,我们可以知道,目前问题的难点在于:

1、漫画图片动态触发,异步加载,无法通过漫画的主网址获得这些各漫画图片的网址,而没有漫画图片的网址,我们无法爬取这些漫画图片。

2、漫画图片网址中含有随机参数,即使我们通过抓包分析分析出各漫画网址的规律,也无法主动构造出这些漫画图片的地址。

这些问题其实我们可以解决,先为大家介绍一下解决思路,解决思路如下:

1、通过PhantomJS(无界面浏览器)自动触发出漫画图片。

2、通过JS代码实现页面滑动,以自动触发出剩下的多张漫画图片。

3、触发出漫画图片之后,将漫画地址通过正则表达式提取出来。

4、交给Urllib或者Scrapy普通爬虫,对相关资源进行自动爬取,在这里我们使用Urllib模块编写相关爬虫。

在这里稍微解释一下,PhantomJS虽然可以触发相关的数据,因为其本质就是浏览器,但是其效率是比较慢的,所以,一般情况下,我们会将主要爬虫处理部分交给Urllib或者Scrapy等常规爬虫,这样效率高,而如果常规爬虫不能处理的部分,我们可以将这一部分交给PhantomJS等处理,处理完成后交由常规爬虫处理,也就是不同的技术负责不同的部分,整合起来写,这样可以让爬虫的效率更高,并且不影响爬虫的功能。

使用PhantomJS实现动态触发动漫图片地址的获取

接下来,我们就来编写实现相关的项目。

首先,我们导入相关模块:

from selenium import webdriver
import time
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities

然后,我们需要基于PhantomJS创建一个浏览器,并且设置一下用户代理,否则可能出现界面不兼容的情况,如下所示:

dcap = dict(DesiredCapabilities.PHANTOMJS)  
dcap["phantomjs.page.settings.userAgent"] = ("Mozilla/4.0 (compatible; MSIE 5.5; windows NT)"  )  
browser = webdriver.PhantomJS(desired_capabilities=dcap)

然后,我们通过PhantomJS打开相关动漫网页,将相关动漫图片地址触发出来,如下所示:

#打开动漫的第一页

browser.get("http://ac.qq.com/ComicView/index/id/539443/cid/1")

#将打开的界面截图保存,方便观察

a=browser.get_screenshot_as_file("D:/Python35/test.jpg")

#获取当前页面所有源码(此时包含触发出来的异步加载的资源)

data=browser.page_source

#将相关网页源码写入本地文件中,方便分析

fh=open("D:/Python35/dongman.html","w",encoding="utf-8")

fh.write(data)

fh.close()

随后,我们运行相关代码,运行完成后,会发现对应的截图D:/Python35/test.jpg如下所示:

​可以看到,前面几幅漫画图片成功加载,可是后面的漫画图片却没有加载出来,为什么呢?

显然后面的漫画图片我们需要触发才能加载,所以我们可以使用JS代码实现自动拖动触发后面的漫画的功能。

在没有触发后续的漫画图片之前,我们不妨看一下此时的网页源代码,我们在源代码中搜索“ac.tc.qq.com/store_file_download”,即搜索满足漫画图片资源的网址格式的地址,看看源码中有没有,如下所示:

​可以看到,此时只有4各匹配的网址,说明此时确实没有加载出相关的剩下的动漫图片资源网址。

接下来,我们可以通过window.scrollTo(位置1,位置2)实现自动滑动页面,触发后续的网址,我们可以在上面的:

browser.get("http://ac.qq.com/ComicView/index/id/539443/cid/1")

代码下面插入如下补充代码:

for i in range(10):

    js='window.scrollTo('+str(i*1280)+','+str((i+1)*1280)+')'

    browser.execute_script(js)

    time.sleep(1)

通过该循环,我们可以依次进行自动滑动,模拟滑动后自然会触发后续的图片资源。

随后,我们再次执行代码,执行完代码后,截图中你可以看到剩下的动漫图片资源已经加载出来了,并且源码中,匹配的网址也变多了,源码中网址的匹配情况现在如下所示:

​可以看到,此时符合规律的网址已经变成了25个,所以,现在,当前页面中的所有图片资源已经加载出来了。

显然,我们通过PhantomJS已经实现了异步资源触发与随机网址获取的功能了。接下来我们将需要提取出相关动漫图片的网址,并交由Urllib模块进行后续爬取。

结束了PhantomJS的使用之后,我们需要关闭一下浏览器,所以,我们在代码后添加如下一行代码:

browser.quit()

编写完整爬虫项目

随后,我们继续编写该爬虫项目。

我们可以通过正则表达式'<img src="(http:..ac.tc.qq.com.store_file_download.buid=.*?name=.*?).jpg"'将所有动漫资源图片网址提取出来,提取出来之后,通过urllib对这些图片进行爬取,爬到本地。

具体代码实现如下:

import re
import urllib
#构造正则表达式提取动漫图片资源网址

pat='<img src="(http:..ac.tc.qq.com.store_file_download.buid=.*?name=.*?).jpg"'

#获取所有动漫图片资源网址

allid=re.compile(pat).findall(data)

for i in range(0,len(allid)):

    #得到当前网址

    thisurl=allid[i]

    #去除网址中的多余元素amp;

    thisurl2=thisurl.replace("amp;","")+".jpg"

    #输出当前爬取的网址

    print(thisurl2)

    #设置将动漫存储到本地的本地目录

    localpath="D:/Python35/dongman/"+str(i)+".jpg"

    #通过urllib对动漫图片资源进行爬取

    urllib.request.urlretrieve(thisurl2,filename=localpath)

随后,我们运行该代码,便可以在本地目录D:/Python35/dongman/下看到如下信息:

​可以看到,相关动漫图片资源已经爬到本地了。

为了方便大家调试,我们提供完整代码,完整代码如下所示:

from selenium import webdriver

import time

from selenium.webdriver.common.desired_capabilities import DesiredCapabilities

import re

import urllib.request

dcap = dict(DesiredCapabilities.PHANTOMJS)  

dcap["phantomjs.page.settings.userAgent"] = ("Mozilla/4.0 (compatible; MSIE 5.5; windows NT)"  )  

browser = webdriver.PhantomJS(desired_capabilities=dcap)

#打开动漫的第一页

browser.get("http://ac.qq.com/ComicView/index/id/539443/cid/1")

for i in range(10):

    js='window.scrollTo('+str(i*1280)+','+str((i+1)*1280)+')'

    browser.execute_script(js)

    time.sleep(1)

#将打开的界面截图保存,方便观察

a=browser.get_screenshot_as_file("D:/Python35/test.jpg")

#获取当前页面所有源码(此时包含触发出来的异步加载的资源)

data=browser.page_source

#将相关网页源码写入本地文件中,方便分析

fh=open("D:/Python35/dongman.html","w",encoding="utf-8")

fh.write(data)

fh.close()

browser.quit()

#构造正则表达式提取动漫图片资源网址

pat='<img src="(http:..ac.tc.qq.com.store_file_download.buid=.*?name=.*?).jpg"'

#获取所有动漫图片资源网址

allid=re.compile(pat).findall(data)

for i in range(0,len(allid)):

    #得到当前网址

    thisurl=allid[i]

    #去除网址中的多余元素amp;

    thisurl2=thisurl.replace("amp;","")+".jpg"

    #输出当前爬取的网址

    print(thisurl2)

    #设置将动漫存储到本地的本地目录

    localpath="D:/Python35/dongman/"+str(i)+".jpg"

    #通过urllib对动漫图片资源进行爬取

    urllib.request.urlretrieve(thisurl2,filename=localpath)

可以看到,当我们直到了解决方法之后,项目实现起来并不难,在这里,大家需要通过这一个例子,掌握这一类问题的解决思路,即掌握网址动态触发+资源随机存储的反爬策略的攻克解决方案。希望大家可以多多练习,希望这篇文章能够让遇到这一类问题的同学获得解决的思路与启发。

本文作者韦玮原创,转载请注明出处。

作者新书推荐

网友评论

作者关闭了评论
韦玮
+ 关注