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,可以有效获取互联网任何公开可见信息。

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】QEMU/KVM如何修改开机启动顺序?
    virsh edit name-of-vm-instance
    如下示例:
     <os>
        <type arch='x86_64' machine='pc-i440fx-xenial'>hvm</type>
        <boot dev="network"></boot>
        <boot dev="cdrom"></boot>
        <boot dev="hd"></boot>
        <bootmenu enable='yes'/>
      </os>
    
    bootmenu的enable设置为yes,就可以在启动的时候按F12选择启动设备。
    •  
    发布时间:2024-03-12 11:51:28
  • 【经验分享】使用VNC远程连接KVM虚拟机,鼠标不同步而且偏移很大(想砸掉鼠标冲动的那种)问题解决:
    (1)编辑虚拟机配置文件,例如sudo virsh edit win10_1,然后将<input type="mouse" bus="ps2" />修改为<input type="tablet" bus="usb" /> 。
    (2)强制关闭虚拟机win10_1然后重启,问题解决。
    发布时间:2024-03-13 09:26:51
  • 【经验分享】Frida里Java.choose找到某个类的实例,在调用该实例方法时出现“script should be invoke on MainThread”问题的解决:

    // Assign the javascript code to a variable.
    jsCode = """
    // Create a method called Cheese that will be exported.
    function Cheese()
    {
    // Perform the code from injected context.
    Java.perform(function ()
    {
    // Variable to store the view representing the button
    // to click programmatically.
    var view;
    // Define the Runnable type javascript wrapper.
    var Runnable = Java.use("java.lang.Runnable");

    // Find the MainActivity class in myApp.
    Java.choose("com.example.myApp.MainActivity",
    {
    // Once it has been found execute the following code.
    onMatch: function(instance)
    {
    // Get the view representing button to click.
    // 2131436712 id derived from decompiling app.
    view = instance.findViewById(2131436712);
    // Define a new class that implements Runnable and provide
    // the implementation of the run() method which, will
    // execute from the Main thread.
    const MyRunnable = Java.registerClass({
    name:'com.example.MyRunnable',
    implements: [Runnable],
    methods: {
    // run executes button click.
    run(){
    instance.onClick(view);
    },
    }
    });

    // Create an instance of the class just created.
    var MyGuiUpdate = MyRunnable .$new();
    // Schedule the run method in MyGuiUpdate to
    // execute on the UI thread.
    instance.runOnUiThread(MyGuiUpdate );

    },
    onComplete:function(){}
    });
    解决方法来源:https://stackoverflow.com/questions/65790594/calling-an-api-to-modify-an-apps-gui-from-non-main-thread-in-frida
    发布时间:2024-02-23 13:00:33
  • 【经验分享】Frida script中如何给Java的Long类型变量赋值?
    例如,某Java类中有如下Long类型变量定义:
    /* renamed from: e */
    public Long f90137e;

    尝试修改e的值,依次做如下测试:
    (1)classObj.e.value = 1978705204; 会报"Error: Expected value compatible with java.lang.Long"错误。
    (2)classObj.e.value = Java.use('java.lang.Long').parseLong.overload('java.lang.String').call(Java.use('java.lang.Long'), "1978705204");依然会报上述错误。
    (3)这个方法可以成功赋值:classObj.e.value = Java.use('java.lang.Long').$new(1978705204);
    发布时间:2024-02-21 21:45:47
  • 【经验分享】miller使用filter查询条件,当遇到字段含有空格或者其它特殊字符时怎么处理?如下示例中某个字段含有点号,直接查询会报错。解决方法如下:

    示例:mlr --icsv --oxtab --from mouser_products_202312.csv filter '${Mfr.}=~"TDK" || ${Brand}=~"TDK"' then count

    使用Pandas时,也有类似问题,解决方法:
    df[df['Brand'].str.contains("TDK")|df['Mfr.'].str.contains("TDK")]
    另外,Stackoverflow(https://stackoverflow.com/questions/50697536/pandas-query-function-not-working-with-spaces-in-column-names)上有人说可以用`字段`将字段包裹起来,例如:a.query('`a b` == 5') ,但是需要Pandas是0.25版本,我机器上是0.24.2,测试没有效果。
    发布时间:2024-02-21 19:01:04
  • 【经验分享】今天本地windows系统adb shell突然报错"error: unknown host service",尝试"adb kill-server"、甚至重启PC和手机均不起作用。后来网上查了下,说是PC端adb的后台服务进程的5037端口被其它程序占用了。

    解决方法:使用netstat -ano找到并关闭占有者进程,问题解决。 ​​​
    发布时间:2024-02-21 18:55:05
  • 【经验分享】PPPOE认证返回“User Locked”,可能是因为MAC被拉黑了,换一个就好了。 ​​​
    发布时间:2024-01-16 13:00:17
  • 【经验分享】Linux如何限制一个命令的运行时长?可以使用timeout命令。
    例如,限制ping最多运行10秒,可以这样:
    timeout 10s ping www.baidu.com ​​​
    发布时间:2024-01-12 12:11:50
  • 【经验分享】Playwright库使用context.route()/page.route()过滤HTTP(S)请求时发现有Ajax漏包的情况。查官方文档,发现有云:
    browser_context.route() will not intercept requests intercepted by Service Worker. See this issue. We recommend disabling Service Workers when using request interception by setting browser.new_context.service_workers to 'block'.

    尝试:
    context = browser.new_context(service_workers='block')
    问题解决。

    参考1:https://playwright.dev/python/docs/api/class-browsercontext#browser-context-route
    参考2:https://github.com/microsoft/playwright/issues/15684
    发布时间:2024-01-10 11:56:20
  • 【经验分享】Python fontTools 获取字体文件的字形名称列表,遇到"smile", "question", "space"等AGL名称,如何将其转为Unicode代码?

    >>>import fontTools
    >>>hex(fontTools.agl.AGL2UV['smileface'])
    '0x263a'

    参考:https://fonttools.readthedocs.io/en/latest/_modules/fontTools/agl.html ​​​
    发布时间:2023-10-12 10:58:26
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

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:本文旨在技术交流,请勿将涉及的技术用于非法用途,否则一切后果自负。如果您觉得我们侵犯了您的合法权益,请联系我们予以处理。
☹ Disqus被Qiang了,之前所有的评论内容都看不到了。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/