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 >
如何采集抖音的数据
发布时间:2019-05-28

抖音App和服务端交互使用的是HTTPS协议,使用Fiddler很容易可以捕获到数据,如下图所示。

不过想要自己模拟一个有效的请求可不是那么容易了,因为它使用了签名机制,在所有请求中都有as和cp两个签名参数,除非得知签名算法否则我们无法构造出有效的请求。

这里我们使用模拟操作抖音App的方式,让App帮我们发出有效的请求,然后我们拦截服务器的HTTP应答数据,再从中提取我们感兴趣的信息。

下面结合一个实际的案例介绍下整个过程,根据客户的需求,要采集一些指定用户加关后的系统推荐“你可能感兴趣”的数据(如下图所示)用于商品营销。

点击“查看更多”可以看到更多的系统推荐用户列表数据,如下图所示。

我们按如下步骤模拟操作App:

1.启动抖音。

2.点击搜索按钮。

3.输入搜索关键词(抖音用户ID),点击搜索。

4.找到匹配的用户,点击关注。

5.点击系统推荐“查看更多”,模拟多次向上滑动屏幕,直至数据加载完毕(屏幕出现“暂时没有更多了”)。

于此同时,我们使用抓包脚本(可以使用Fiddler的Customize Rules,也可以使用Mitmproxy),捕获并过滤URL中含有/user/recommend/的HTTP应答数据,从JSON数据中提取系统推荐的用户信息(如下图所示)。

模拟操作抖音App的脚本核心代码如下所示:

from com.dtmilano.android.viewclient import ViewClient

def search_douyin_for_recommend_user(douyin_id):
     """采集指定抖音账号的关注推荐数据
     """
     log(u'准备采集"{}"对应的关注推荐数据'.format(douyin_id))
     # 连设备
     serialno = None
     if serialno:
          os.system('adb connect {}'.format(serialno or ''))
          time.sleep(3)
                
     device, serialno = ViewClient.connectToDeviceOrExit(serialno=serialno)
     vc = ViewClient(device, serialno, autodump=False)
     
     # 强制关闭抖音
     log(u'强制关闭抖音.')
     device.shell('am force-stop com.ss.android.ugc.aweme')
     time.sleep(2)
     
     # 启动抖音
     log(u'启动抖音.')
     device.shell('am start -n com.ss.android.ugc.aweme/.main.MainActivity')
     time.sleep(5)
     # 暂停视频播放
     log(u'点击屏幕,暂停视频播放.')
     device.touch(514, 1048)
     
     # 点击搜索按钮
     vc.dump()
     search_btn = vc.findViewById('com.ss.android.ugc.aweme:id/amj')
     if search_btn:
          log(u'点击搜索按钮,跳转到搜索页面.')
          search_btn.touch()
     
          vc.dump()
          # 点击搜索输入框
          search_input = vc.findViewById('com.ss.android.ugc.aweme:id/ad_')
          if search_input:
               log(u'点击搜索框,准备输入关键词.')
               search_input.touch()
               
               # 输入抖音ID
               log(u'输入搜索关键词: {}.'.format(douyin_id))
               device.type(douyin_id.encode('UTF-8'))
               
               # 点击搜索按钮
               search_btn = vc.findViewById('com.ss.android.ugc.aweme:id/cp8')
               if search_btn:
                    log(u'提交搜索.')
                    search_btn.touch()
                    time.sleep(2)
                    vc.dump()
                    
                    ## 切换到用户
                    #user_tab = vc.findViewWithText(u'用户')
                    #user_tab.touch()
                    
                    # 找到匹配的
                    matches = []
                    def find_matches(view):
                         if view.getClass() == 'android.widget.TextView':
                              text = view.getText()
                              if douyin_id.lower() in text.lower():
                                   # 找到匹配的了
                                   log(u'找到匹配的: {}'.format(text))
                                   matches.append(view)
                              else:
                                   #print text
                                   pass
                    vc.traverse(transform=lambda view: find_matches(view))
                    if matches:
                         # 有没有已关注按钮
                         btn = vc.findViewWithText(u'已关注')
                         if btn:
                              # 先取消关注
                              log(u'之前关注过,先取消关注.')
                              btn.touch()
                              time.sleep(1)
                         user_matched = matches[0]
                         log(u'点击进入个人主页.')
                         user_matched.touch()
                         time.sleep(1)
                         
                         # 点关注
                         vc.dump()
                         follow_btn = vc.findViewById('com.ss.android.ugc.aweme:id/aei')
                         if follow_btn:
                              # 点击关注
                              log(u'点击关注')
                              follow_btn.touch()
                              time.sleep(1)
                              # 点击查看更多
                              vc.dump()
                              viewmore_btn = vc.findViewById('com.ss.android.ugc.aweme:id/bqn')
                              if viewmore_btn:
                                   # 点击查看更多
                                   log(u'点击查看更多系统推荐')
                                   viewmore_btn.touch()
                                   time.sleep(1)
                                   i = 0
                                   while True:
                                        # 上滑动
                                        device.drag((345, 1762), (345, 550), duration=100)
                                        log(u'上滑以加载更多')
                                        i += 1
                                        if i % 5 == 0:
                                             # 拖动10次判断一下是否还有更多
                                             vc.dump()
                                             if vc.findViewWithText(u'暂时没有更多了'):
                                                  log(u'暂时没有更多了, "{}"的关注推荐数据采集完毕.'.format(douyin_id))
                                                  # 采集成功了
                                                  return True
                                             failed_tip = vc.findViewWithText(u'加载失败,点击重试')
                                             if failed_tip:
                                                  log(u'加载失败,点击重试.')
                                                  failed_tip.touch()
                              else:
                                   # 没有找到查看更多按钮
                                   log(u'没有找到查看更多按钮')
                         else:
                              # 没有找到加关注按钮
                              log(u'没有找到加关注按钮')
                    else:
                         # 没有找到匹配的用户
                         log(u'没有找到匹配的用户')
               else:
                   # 没有找到搜索提交按钮
                    log(u'没有找到搜索提交按钮.')
          else:
               # 没有找到搜索输入框
               log(u'没有找到搜索输入框.')
     else:
          # 没有找到搜索按钮
          log(u'没有找到搜索按钮.')

上述脚本的运行截图如下所示:

最后附上抓取到的部分示例数据:

http://db.site-digger.com/csv/646f7579696e5f757365725f7265636f6d6d656e645f73616d706c65/

 

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/