更多>>关于我们

西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效绕过各种反采集策略。

您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。

数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。

更多>>官方微博

西安鲲之鹏
陕西 西安

加关注

  • 【经验分享】pyautogui出现“SyntaxError: 'return' with argument inside generator”异常(如图所示)的解决:卸载pyscreeze,安装pyscreeze 0.1.19版本即可。

    sudo pip uninstall pyscreeze   
    sudo pip install pyscreeze==0.1.19 ​​​​
    发布时间:2019-03-27 11:51:05
  • 【经验分享】使用 Chrome DevTools Protocol 协议,在Network.responseReceived时调用Network.getResponseBody获取应答正文有时会出现“No resource with given identifier”异常,是什么原因?
    解答:当浏览器接收到HTTP应答头之后Network.responseReceived被调用,但此时HTTP应答正文(ResponseBody)可能还没到位,应当在Network.loadingFinished时再调用Network.getResponseBody。
    发布时间:2019-03-25 16:42:04
  • 【经验分享】使用Fiddler时如何屏蔽Chrome的证书警告:"Your connection is not private"/"您的连接不是私密连接"(如图1所示)?
    启动chrome的时候加上--ignore-certificate-errors命令行参数(如图2所示)即可。
    测试效果如图3所示。 ​​​​
    发布时间:2019-03-21 17:30:46
  • 【经验分享】Ubuntu server下google-chrome启动出现"[5430:5430:0321/124708.367027:ERROR:browser_dm_token_storage_linux.cc(101)] Error: /etc/machine-id contains 0 characters (32 were expected)."问题的解决:

    sudo cp /var/lib/dbus/machine-id /etc/machine-id

    参考:https://unix.stackexchange.com/questions/477180/error-etc-machine-id-contains-32-characters-32-were-expected ​​​​
    发布时间:2019-03-21 12:57:06
  • 【经验分享】requests库使用py2exe打包之后出现"Could not find a suitable TLS CA certificate bundle"问题的解决:
    原因是打包之后按默认路径无法找到cacert.pem文件。将cacert.pem复制到exe同目录下,然后在程序里设置REQUESTS_CA_BUNDLE环境变量,如下:
    os.environ['REQUESTS_CA_BUNDLE'] =  os.path.join(os.path.dirname(sys.argv[0]), 'cacert.pem')
    重新打包,问题消失。

    参考:https://stackoverflow.com/questions/10667960/python-requests-throwing-sslerror
    发布时间:2019-03-20 13:11:35
  • 【经验分享】Ubuntu上添加可信任根证书
    1. 如果是pem格式的根证书,先重命名为 .crt格式,例如( mitmproxy-ca-cert.crt)。
    2. sudo cp  mitmproxy-ca-cert.crt  /usr/local/share/ca-certificates。
    3. sudo update-ca-certificates

    update-ca-certificates命令将PEM格式的根证书内容附加到/etc/ssl/certs/ca-certificates.crt ,而/etc/ssl/certs/ca-certificates.crt 包含了系统自带的各种可信根证书.
    发布时间:2019-03-18 11:03:48
  • 【经验分享】Python urllib2连接HTTPS网站出现“SSL routines:SSL23_GET_SERVER_HELLO:sslv3 alert handshake failure”问题(如图1所示)的解决。从这里github.com/pytorch/pytorch/issues/3193得知,Python2.7.9之前的版本连接某些HTTPS网站会有这个问题,之后的版本没有问题。于是测了下别的服务器上的Python2.7.12版本,果然没有问题(如图2所示)。

    似乎也是跟SNI有关,去年我们曾写过一篇文章《SNI导致Python 2.7建立TLS连接出现104错误问题的解决》 ,也是升级到最新版本的Python之后问题解决,详细过程见这里 :http://t.cn/EZSeTBn

    附:测试连接 https://jobs.51job.com/beijing-hdq/111488127.html?s=01&t=0
    发布时间:2019-03-14 15:41:19
  • 【经验分享】远程GeckoDriver的使用 - 鲲之鹏的技术人员在本文向您介绍如何远程使用GeckoDriver调用多台服务器上的Firefox浏览器进行数据抓取。  >>> http://www.site-digger.com/html/articles/20190313/716.html ​​​​
    发布时间:2019-03-14 15:26:50
  • 【经验分享】PDF表格抽取Python库 Camelot - https://github.com/socialcopsdev/camelot
    Camelot is a Python library that makes it easy for anyone to extract tables from PDF files!

    依赖的库有点多,不过效果超赞!

    实测效果:
    图1为PDF原始文件截图;
    图2为抽取为CSV后截图; ​​​​
    发布时间:2019-02-20 12:00:43
  • 【经验分享】“永辉生活微信小程序”不响应KEYCODE_PAGE_UP(92) 怎么破?
    测试发现可以响应KEYCODE_DPAD_DOWN(20),不过KEYCODE_DPAD_DOWN一次只能滚动很小的幅度。怎么提升效率? 一次发送多个CODE即可。
    例如,一次发送10个KEYCODE_DPAD_DOWN操作:
    adb shell input keyevent 20 20 20 20 20 20 20 20 20 20
    发布时间:2019-02-15 19:14:57
当前位置: 首页 > 技术文章 >
通过控制IE进行自动化数据采集
发布时间:2012-10-28 来源:未知 浏览:

通常我们直接使用HTTP协议与Web服务器进行交互,进行数据获取。

这种方法的优点是:

  • 效率高,只需获取基本的HTML数据,不需要下载JS、CSS、Images等多余数据。
  • 可控性强,可以根据需要加入、修改和读取任何报头;可以方便地使用代理进行轮换采集。

缺点是:

  • 对于页面结构复杂,特别是使用JS动态生成内容的页面,数据提取难度大。
  • 对于需要进行复杂认证(例如,证书)的网站,实现难度大。

 

本文介绍的通过控制IE浏览器进行数据采集的方法就可以绕过这些难点。

我们以“淘宝的量子横道店铺经自动报表导出”为例,其实现主要难点有两个:

1)登录需要验证证书。

解决方法:我们需要在IE下登录支付宝安装一下用户证书。在登录表单页通过DOM操作录入用户名和密码,并触发登录按钮点击事件,完成自动登录。

2)报表是Ajax动态加载的。Ajax数据源路径里有一不定参数,难以确定其如何产生。

解决方法:控制IE访问报表地址,等待Ajax内容加载完毕,获取页面HTML。

部分示例代码:

# coding: utf-8
import time
import win32com.client

def _wait(ie):
    """等待页面加载完毕
    """
    while ie.Busy:
        time.sleep(1)  

def wait_flag(ie, flag, timeout=20):
    """等待标志字符出现
    """
    start = time.time()
    while flag not in ie.Document.body.innerHTML and time.time() - start < timeout:
        time.sleep(2)
        
def getElementById(ie, item, _id):
    """兼容IE9的写法
       注意:IE9不支持getElementById!!!这也是我不直接使用PAMIE库的原因。
    """
    for element in ie.Document.body.getElementsByTagName(item):
        if str(element.getAttribute("id")) == _id:
            return element

def login(username, password):
    """登录量子横道经
    """

    ie = win32com.client.Dispatch("InternetExplorer.Application")
    ie.Visible = 1
    
    # 打开登录表单
    try:
        ie.Navigate('https://login.taobao.com/member/login.jhtml?_input_charset=utf-8&from=lzdp&style=minisimple&minipara=0,0,0&redirect_url=http%3A%2F%2Flz.taobao.com%2Flogin%2F%3F')
        _wait(ie)
        if getElementById(ie, 'button', 'J_SubmitStatic'):
	    # 去掉“安全控件登录”复选框,否则无法自动录入密码
            checkbox = getElementById(ie, 'input', 'J_SafeLoginCheck')
            if checkbox and checkbox.checked:
                print 'J_SafeLoginCheck checked.'
                #checkbox.checked = False
                checkbox.click()
                time.sleep(5)
            else:
                print 'J_SafeLoginCheck not checked.'

            # 输入密码
            getElementById(ie, 'input', 'TPL_username_1').value = username
            getElementById(ie, 'input', 'TPL_password_1').value = password
            # 提交登录
            getElementById(ie, 'button', 'J_SubmitStatic').click()
            _wait(ie)
            # 等待足够长的时间
            time.sleep(15)
            wait_flag(ie=ie, flag=u'退出')
            
            if u'验证码' in ie.Document.body.innerHTML:
                common.logger.info('Need to enter captcha. Failed to scrape.')
                ie.quit()
                return -1
            
            if u'请输入您的密码' in ie.Document.body.innerHTML:
                common.logger.info('Failed to enter password.')
                ie.quit()
                return -1

 使用控制浏览器进行数据采集,只适合这种少量页面数据的采集:

  • 难以实现多线程,因为多个浏览器窗口也是共享同一会话,会互干扰。
  • 难以切换代理。

后面我们会再介绍一种调用浏览器内核(webkit)进行数据采集的方法,它既能支持多线程也能方便地进行代理切换。

特别说明:该文章为鲲鹏数据原创文章 ,您除了可以发表评论外,还可以转载到别的网站,但是请保留源地址,谢谢!!(尊重他人劳动,我们共同努力)
☹ Disqus被Qiang了,之前的评论内容都没了。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/
QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。

加微信咨询