10分钟上手爬虫实践笔记

背景

1) 中长期持续的运营分析和数据分析的需要，需要研发掌握基本的爬虫技能。
2) 避免项目重复安装，重复搭建，研发人员日常交叉review和修改的阅读的难点(开发风格和标准不统一)。
3) 沉淀标准的类库，通用解决一些爬虫相关的难度（诸如反爬的解决方案），避免重复开发，提升爬虫开发的效率。
 

常用java爬虫解决方案总结

1. Jsoup 一般爬虫方案

jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。它是支持url请求获取html，也支持cookie传递，可以对html进行dom解析，通过select方法动态定位元素，非常方便开发人员爬取相应的信息。一般无反爬策略的网站可以采用此方案进行爬取，比如国外很多网站都对seo非常友好，采用这个方案简单,粗暴,高效。百度上也有很多教程，上手非常容易~

2. selenium 浏览器爬虫方案

Selenium是一个用于Web应用程序自动化测试工具。Selenium测试直接运行在浏览器中，就像真正的用户在操作一样。支持的浏览器包括IE（7, 8, 9, 10, 11），Mozilla Firefox，Safari，Google Chrome，Opera等。适用于自动化测试，js动态爬虫（破解反爬虫）等领域。在java爬虫领域，一般我们采用google chrome,下载相应的driver驱动，通过api操控浏览器模拟人工行为（诸如模拟点击，模拟拖动，模拟执行脚本等等），通过driver.findElements进行内容解析抓取。采用此方案一般来解决复杂和具备一些反爬策略的网站。百度上也有很多教程，上手不算很难~
 

标准化解决方案

不断沉淀标准的脚手架和类库，将一些通用的，共性有难度的技术点（特别是针对性的反爬技术整合）形成标准化的解决方案，避免重复造轮子，重复尝试造成的效率下降。
默认引用的组件包含：数据库相关，excel导出相关，selenium-java，Jsoup，bsf-core框架
 

快速上手方案

1. 下载脚手架(基础组件都已包含和定义好了)。
 
2. 若是一般爬虫场景，继承BaseJsoupSpider实现, 如:
public class DemoCategoryJsoupSpider extends BaseJsoupSpider {
    @Override
    public void run(){
         /*此处实现逻辑,脚手架中有demo*/
    }
}
 
3. 若是浏览器爬虫场景，继承BaseChromeSpider实现,如:
public class DemoCategoryChromeSpider extends BaseChromeSpider {
    @Override
    public void run(){
         /*此处实现逻辑,脚手架中有demo*/
    }
}
注:操作系统系统需要下载chrome。底层在第一次运行时会自动根据chrome的版本号，下载相应驱动（无需手工下载）。同时初始化selenium(默认会带有自动化的一些header特征)时，会尽量抹掉所有自动化爬虫的标记，尽量模拟出真实chrome访问，避免一定的反爬策略（诸如stealth.min.js 可以及时更新）。
 
4. 简单db操作
public void select(){
    List<Map<String,Object>> list = DbHelper.get(Config.getDataSource(), (conn) -> {
        val ds = conn.executeList("select * from user where id=?", new Object[]{1});
        return ds;
    });
}

public void insertOrUpdate(){
    DbHelper.call(Config.getDataSource(), (c) -> {
        c.executeSql("update tb_fbform set nav=? where id=?", new Object[]{"", 1});
    });
}
 
5. 简单excel导出
List<ExcelDemo> excelDemos = new ArrayList<>();
excelDemos.add(new ExcelDemo());
exportExcel("aa.xls",excelDemos);
 

常见的一些反爬策略沉淀及方案

1. 国内外网络限制

诸如temu和shein等网站,国内都无法访问,假设我们访问,需要通过vpn访问(也有企业级的vpn)。
1）如西柚vpn工具（貌似只能代理浏览器，不能代理java程序）
2)  Cisco AnyConnect 工具（服务器链接b2j3.com:1443，用西柚的vpn账号也可以登陆,支持代理java程序）
3）免费开源的第三方工具，如https://github.com/freefq/free。
 

2. 图形验证码等限制

沉淀中。
 

3. ip限制。

可以采用第三方代理ip服务，获取代理ip。正在沉淀完善中，近期发布。
 

4. 手机验证码等限制

沉淀中。
 
 
2023-2-28
文档仅做分享交流,禁止用于非法用途！
 
 
 
posted @ 2023-02-28 16:17  车江毅  阅读(361)  评论(0)  编辑  收藏  举报