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】如何获取我查查App当前所选城市?
    adb pull /data/data/com.wochacha/shared_prefs/com.wochacha_preferences.xml ./com.wochacha_preferences.xml
    然后读取"SelectedCityName"属性。如图所示。 ​​​​
    发布时间:2019-01-18 14:09:15
  • 拼多多商品ID采集:Selenium + Mitmproxy ​​​​
    发布时间:2019-01-18 12:39:59
  • 【经验分享】SSH本地端口映射。场景如下:
    某Linux母机下有多台KVM虚拟机,虚拟机的VNC只开放了127.0.0.1的访问权限。如何远程连接这些VNC端口呢?

    可以使用SSH本地端口映射实现,在本地机执行如下命令:
    ssh -L 127.0.0.1:5901:127.0.0.1:5901 user@ip-of-linux-host
    解释一下:监听本地5901端口,将5901端口的连接重定向到ip-of-linux-host主机的127.0.0.1:5901端口。
    发布时间:2019-01-16 12:01:25
  • 【经验分享】KVM调整磁盘大小:
    1. 查看原磁盘大小。
    qemu-img info win7.img
    如图是80G。

    2. 增加10G。
    sudo qemu-img resize win7.img +10G

    3. 查看增加后的磁盘大小。
    qemu-img info win7.img
    如果是90G。

    4. 重启虚拟机,进入虚拟机磁盘管理再确认下。
    如图2所示,多了一个10GB的空闲分区。可以新建一个分区,也可以使用磁盘扩展将其合并到C盘。

    如果想要扩展指的分区的大小,可以使用virt-resize,具体请参考该文章:https://mike42.me/blog/how-to-resize-a-windows-vm-image-with-virt-resize
    发布时间:2019-01-16 11:37:01
  • 美团外卖菜品/商品月销量属性确定可以抓取(如图所示) ​​​​
    发布时间:2019-01-10 15:30:18
  • 【经验分享】KVM在Ubuntu下的安装配置 >>> http://www.site-digger.com/html/articles/20181229/693.html ​​​​
    发布时间:2019-01-09 16:03:18
  • 【经验分享】拼多多列表页商品最大可见数为1000个。
    如何测试Ajax动态分页列表的最大可翻页数?这个文章还是我3年前写的,后来时常用到。
    http://www.site-digger.com/html/articles/20150718/94.html ​​​​
    发布时间:2019-01-03 15:33:16
  • 【经验分享】安卓模拟器中需要先关闭物理键盘,才能正常使用ADB Keyboard。设置方法见附图。 ​​​​
    发布时间:2019-01-02 16:52:26
  • 常见安卓模拟器远程ADB监听端口(如图) ​​​​
    发布时间:2018-12-26 09:49:08
  • 【赞】pywebview是webview组件的轻量级跨平台原生封装,实现利用Web技术开发GUI应用  >>> 项目主页:https://github.com/r0x0r/pywebview  
    说明文档:https://pywebview.flowrl.com/  
    How to build cross platform Desktop GUI based apps with Python and web technologies and frameworks:https://www.techiediaries.com/python/how-to-build-cross-platform-desktop-gui-based-apps-with-python-and-web-technologies-and-frameworks/ ​​​​
    发布时间:2018-12-13 12:27:42
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。