用C#+Selenium+ChromeDriver 爬取网页,完美模拟真实的用户浏览行为

  • A+
所属分类:.NET技术
摘要

 Selenium是一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中,就像真正的用户在操作一样。而对于爬虫来说,使用Selenium操控浏览器来爬取网上的数据那么肯定是爬虫中的杀手武器。这里,我将介绍selenium + 谷歌浏览器的一般使用。


背景

 Selenium是一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中,就像真正的用户在操作一样。而对于爬虫来说,使用Selenium操控浏览器来爬取网上的数据那么肯定是爬虫中的杀手武器。这里,我将介绍selenium + 谷歌浏览器的一般使用。

需求

在平常的爬虫开发中,有时候网页是一堆js堆起来的代码,涉及很多异步计算,如果是普通的http 控制台请求,那么得到的源文件是一堆js ,需要自己在去组装数据,很费力;但是采用Selenium+ChromeDriver可以达到所见即所得的完美效果。

实现方式

项目结构:为了方便使用,用的winform程序,附nuget包

用C#+Selenium+ChromeDriver 爬取网页,完美模拟真实的用户浏览行为

 

 

 以下是form1.cs的代码,这里就只放关键方法代码了。需要安装最新的chrome浏览器+代码中使用的chromedriver是 v2.9.248315

 1    private void crawlingWebFunc()  2         {  3             SetText("rn开始尝试...");  4             List<testfold> surls = new List<testfold>();  5             string path = System.Environment.CurrentDirectory + "\图片url\";  6             DirectoryInfo root = new DirectoryInfo(path);  7             DirectoryInfo[] dics = root.GetDirectories();  8             foreach (var itemdic in dics)  9             { 10                 string txt = ""; 11                 StreamReader sr = new StreamReader(itemdic.FullName + "\data.txt"); 12                 while (!sr.EndOfStream) 13                 { 14                     string str = sr.ReadLine(); 15                     txt += str;// + "n"; 16                 } 17                 sr.Close(); 18                 surls.Add(new testfold() { key = itemdic.FullName, picurl = txt }); 19             } 20  21             ChromeDriverService service = ChromeDriverService.CreateDefaultService(System.Environment.CurrentDirectory); 22             //  service.HideCommandPromptWindow = true; 23  24             ChromeOptions options = new ChromeOptions(); 25             options.AddArguments("--test-type", "--ignore-certificate-errors"); 26             options.AddArgument("enable-automation"); 27             //   options.AddArgument("headless"); 28             //  options.AddArguments("--proxy-server=http://user:password@yourProxyServer.com:8080"); 29  30             using (IWebDriver driver = new OpenQA.Selenium.Chrome.ChromeDriver(service, options, TimeSpan.FromSeconds(120))) 31             { 32                 driver.Url = "https://www.1688.com/"; 33                 Thread.Sleep(200); 34                 try 35                 { 36                     int a = 1; 37                     foreach (var itemsurls in surls) 38                     { 39                         SetText("rn第" + a.ToString() + ""); 40                         driver.Navigate().GoToUrl(itemsurls.picurl); 41                         //登录 42                         if (driver.Url.Contains("login.1688.com")) 43                         { 44                             SetText("rn需要登录,开始尝试..."); 45                             trylogin(driver); //尝试登录完成 46                                               //再试试 47                             driver.Navigate().GoToUrl("https://s.1688.com/youyuan/index.htm?tab=imageSearch&imageType=oss&imageAddress=cbuimgsearch/eWXC7XHHPN1607529600000&spm="); 48  49                             if (driver.Url.Contains("login.1688.com")) 50                             { 51                                 //没办法退出 52                                 SetText("rn退出,换ip重试..."); 53                                 return; 54                             } 55                         } 56  57                         //鼠标放上去的内容因为页面自带只能显示一个的原因 没办法做到全部显示 然后在下载 只能是其他方式下载 58                         //  var elements = document.getElementsByClassName('hover-container'); 59                         //  Array.prototype.forEach.call(elements, function(element) { 60                         //  element.style.display = "block"; 61                         //   console.log(element); 62                         //  }); 63  64                         //   IJavaScriptExecutor js = (IJavaScriptExecutor)driver; 65  66                         //    var sss = js.ExecuteScript(" var elements = document.getElementsByClassName('hover-container');  Array.prototype.forEach.call(elements, function(element) {  console.log(element); element.setAttribute("class", "测试title");  element.style.display = "block";  console.log(element); });"); 67  68                         Thread.Sleep(500); 69                         var responseModel = Write(itemsurls.key, driver.PageSource, Pagetypeenum.列表); 70                         Thread.Sleep(500); 71                         int i = 1; 72                         foreach (var offer in responseModel?.data?.offerList ?? new List<OfferItemModel>()) 73                         { 74                             driver.Navigate().GoToUrl(offer.information.detailUrl); 75                             string responseDatadetail = driver.PageSource; 76                             Write(itemsurls.key, driver.PageSource, Pagetypeenum.详情); 77                             SetText("rn第" + a.ToString() + "-" + i.ToString() + ""); 78                             Thread.Sleep(500); 79                             i++; 80                         } 81                     } 82                 } 83                 catch (Exception ex) 84                 { 85                     CloseChromeDriver(driver); 86                     throw; 87                 } 88             } 89         }

 1  #region 异常  退出chromedriver  2   3         [DllImport("user32.dll", EntryPoint = "FindWindow")]  4         private extern static IntPtr FindWindow(string lpClassName, string lpWindowName);  5   6         [DllImport("user32.dll", EntryPoint = "SendMessage")]  7         public static extern int SendMessage(IntPtr hWnd, int Msg, int wParam, int lParam);  8   9         public const int SW_HIDE = 0; 10         public const int SW_SHOW = 5; 11  12         [DllImport("user32.dll", EntryPoint = "ShowWindow")] 13         public static extern int ShowWindow(IntPtr hwnd, int nCmdShow); 14  15         /// <summary> 16         /// 获取窗口句柄 17         /// </summary> 18         /// <returns></returns> 19         public IntPtr GetWindowHandle() 20         { 21             string name = (Environment.CurrentDirectory + "\chromedriver.exe"); 22             IntPtr hwd = FindWindow(null, name); 23             return hwd; 24         } 25  26         /// <summary> 27         /// 关闭chromedriver窗口 28         /// </summary> 29         public void CloseWindow() 30         { 31             try 32             { 33                 IntPtr hwd = GetWindowHandle(); 34                 SendMessage(hwd, 0x10, 0, 0); 35             } 36             catch { } 37         } 38  39         /// <summary> 40         /// 退出chromedriver 41         /// </summary> 42         /// <param name="driver"></param> 43         public void CloseChromeDriver(IWebDriver driver) 44         { 45             try 46             { 47                 driver.Quit(); 48                 driver.Dispose(); 49             } 50             catch { } 51             CloseWindow(); 52         } 53  54         #endregion 异常  退出chromedriver

用C#+Selenium+ChromeDriver 爬取网页,完美模拟真实的用户浏览行为

 

 用C#+Selenium+ChromeDriver 爬取网页,完美模拟真实的用户浏览行为

 

 

总结

说一下思路:

1.跳转到指定的网页driver.Navigate().GoToUrl

2.确定数据源,从driver.PageSource读取数据

3.对html数据进行解析