Node Puppeteer圖像識別實現(xiàn)百度指數(shù)爬蟲的示例

更新時間：2018年02月22日 13:40:21 作者：島書Z

本篇文章主要介紹了Node Puppeteer圖像識別實現(xiàn)百度指數(shù)爬蟲的示例，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧

之前看過一篇腦洞大開的文章，介紹了各個大廠的前端反爬蟲技巧，但也正如此文所說，沒有100%的反爬蟲方法，本文介紹一種簡單的方法，來繞過所有這些前端反爬蟲手段。

下面的代碼以百度指數(shù)為例，代碼已經(jīng)封裝成一個百度指數(shù)爬蟲node庫： https://github.com/Coffcer/baidu-index-spider

note: 請勿濫用爬蟲給他人添麻煩

百度指數(shù)的反爬蟲策略

觀察百度指數(shù)的界面，指數(shù)數(shù)據(jù)是一個趨勢圖，當(dāng)鼠標(biāo)懸浮在某一天的時候，會觸發(fā)兩個請求，將結(jié)果顯示在懸浮框里面：

按照常規(guī)思路，我們先看下這個請求的內(nèi)容：

請求 1：

請求 2：

可以發(fā)現(xiàn)，百度指數(shù)實際上在前端做了一定的反爬蟲策略。當(dāng)鼠標(biāo)移動到圖表上時，會觸發(fā)兩個請求，一個請求返回一段html，一個請求返回一張生成的圖片。html中并不包含實際數(shù)值，而是通過設(shè)置width和margin-left，來顯示圖片上的對應(yīng)字符。并且請求參數(shù)上帶有res、res1這種我們不知如何模擬的參數(shù)，所以用常規(guī)的模擬請求或者html爬取的方式，都很難爬到百度指數(shù)的數(shù)據(jù)。

爬蟲思路

怎么突破百度這種反爬蟲方法呢，其實也很簡單，就是完全不去管他是如何反爬蟲的。我們只需模擬用戶操作，將需要的數(shù)值截圖下來，做圖像識別就行。步驟大概是：

模擬登錄
打開指數(shù)頁面
鼠標(biāo)移動到指定日期
等待請求結(jié)束，截取數(shù)值部分的圖片
圖像識別得到值
循環(huán)第3～5步，就得到每一個日期對應(yīng)的值

這種方法理論上能爬任何網(wǎng)站的內(nèi)容，接下來我們來一步步實現(xiàn)爬蟲，下面會用到的庫：

puppeteer 模擬瀏覽器操作
node-tesseract tesseract的封裝，用來做圖像識別
jimp 圖片裁剪

安裝Puppeteer, 模擬用戶操作

Puppeteer是Google Chrome團隊出品的Chrome自動化工具，用來控制Chrome執(zhí)行命令?？梢阅M用戶操作，做自動化測試、爬蟲等。用法非常簡單，網(wǎng)上有不少入門教程，順著本文看完也大概可以知道如何使用。

API文檔: https://github.com/GoogleChrome/puppeteer/blob/master/docs/api.md

安裝：

npm install --save puppeteer

Puppeteer在安裝時會自動下載Chromium，以確?？梢哉＿\行。但是國內(nèi)網(wǎng)絡(luò)不一定能成功下載Chromium，如果下載失敗，可以使用cnpm來安裝，或者將下載地址改成淘寶的鏡像，然后再安裝：

npm config set PUPPETEER_DOWNLOAD_HOST=https://npm.taobao.org/mirrors
npm install --save puppeteer

你也可以在安裝時跳過Chromium下載，通過代碼指定本機Chrome路徑來運行：

// npm
npm install --save puppeteer --ignore-scripts

// node
puppeteer.launch({ executablePath: '/path/to/Chrome' });

實現(xiàn)

為版面整潔，下面只列出了主要部分，代碼涉及到selector的部分都用了...代替，完整代碼參看文章頂部的github倉庫。

打開百度指數(shù)頁面，模擬登錄

這里做的就是模擬用戶操作，一步步點擊和輸入。沒有處理登錄驗證碼的情況，處理驗證碼又是另一個話題了，如果你在本機登錄過百度，一般不需要驗證碼。

// 啟動瀏覽器，
// headless參數(shù)如果設(shè)置為true，Puppeteer將在后臺操作你Chromium，換言之你將看不到瀏覽器的操作過程
// 設(shè)為false則相反，會在你電腦上打開瀏覽器，顯示瀏覽器每一操作。
const browser = await puppeteer.launch({headless:false});
const page = await browser.newPage();

// 打開百度指數(shù)
await page.goto(BAIDU_INDEX_URL);

// 模擬登陸
await page.click('...');
await page.waitForSelecto('...');
// 輸入百度賬號密碼然后登錄
await page.type('...','username');
await page.type('...','password');
await page.click('...');
await page.waitForNavigation();
console.log(':white_check_mark: 登錄成功');

模擬移動鼠標(biāo)，獲取需要的數(shù)據(jù)

需要將頁面滾動到趨勢圖的區(qū)域，然后移動鼠標(biāo)到某個日期上，等待請求結(jié)束，tooltip顯示數(shù)值，再截圖保存圖片。

// 獲取chart第一天的坐標(biāo)
const position = await page.evaluate(() => {
 const $image = document.querySelector('...');
 const $area = document.querySelector('...');
 const areaRect = $area.getBoundingClientRect();
 const imageRect = $image.getBoundingClientRect();

 // 滾動到圖表可視化區(qū)域
 window.scrollBy(0, areaRect.top);

 return { x: imageRect.x, y: 200 }；
});

// 移動鼠標(biāo)，觸發(fā)tooltip
await page.mouse.move(position.x, position.y);
await page.waitForSelector('...');

// 獲取tooltip信息
const tooltipInfo = await page.evaluate(() => {
 const $tooltip = document.querySelector('...');
 const $title = $tooltip.querySelector('...');
 const $value = $tooltip.querySelector('...');
 const valueRect = $value.getBoundingClientRect();
 const padding = 5;

 return {
 title: $title.textContent.split(' ')[0],
 x: valueRect.x - padding,
 y: valueRect.y,
 width: valueRect.width + padding * 2,
 height: valueRect.height
 }
});

截圖

計算數(shù)值的坐標(biāo)，截圖并用jimp對裁剪圖片。

await page.screenshot({ path: imgPath });

// 對圖片進行裁剪，只保留數(shù)字部分
const img = await jimp.read(imgPath);
await img.crop(tooltipInfo.x, tooltipInfo.y, tooltipInfo.width, tooltipInfo.height);
// 將圖片放大一些，識別準(zhǔn)確率會有提升
await img.scale(5);
await img.write(imgPath);

圖像識別

這里我們用Tesseract來做圖像識別，Tesseracts是Google開源的一款OCR工具，用來識別圖片中的文字，并且可以通過訓(xùn)練提高準(zhǔn)確率。github上已經(jīng)有一個簡單的node封裝： node-tesseract ，需要你先安裝Tesseract并設(shè)置到環(huán)境變量。

Tesseract.process(imgPath, (err, val) => {
if (err || val == null) {
 console.error(':x: 識別失敗：' + imgPath);
 return;
}
console.log(val);

實際上未經(jīng)訓(xùn)練的Tesseracts識別起來會有少數(shù)幾個錯誤，比如把9開頭的數(shù)字識別成`3，這里需要通過訓(xùn)練去提升Tesseracts的準(zhǔn)確率，如果識別過程出現(xiàn)的問題都是一樣的，也可以簡單通過正則去修復(fù)這些問題。

封裝

實現(xiàn)了以上幾點后，只需組合起來就可以封裝成一個百度指數(shù)爬蟲node庫。當(dāng)然還有許多優(yōu)化的方法，比如批量爬取，指定天數(shù)爬取等，只要在這個基礎(chǔ)上實現(xiàn)都不難了。

const recognition = require('./src/recognition');
const Spider = require('./src/spider');

module.exports = {
 async run (word, options, puppeteerOptions = { headless: true }) {
 const spider = new Spider({ 
 imgDir, 
 ...options 
 }, puppeteerOptions);

 // 抓取數(shù)據(jù)
 await spider.run(word);

 // 讀取抓取到的截圖，做圖像識別
 const wordDir = path.resolve(imgDir, word);
 const imgNames = fs.readdirSync(wordDir);
 const result = [];

 imgNames = imgNames.filter(item => path.extname(item) === '.png');

 for (let i = 0; i < imgNames.length; i++) {
 const imgPath = path.resolve(wordDir, imgNames[i]);
 const val = await recognition.run(imgPath);
 result.push(val);
 }

 return result;
 }
}

反爬蟲

最后，如何抵擋這種爬蟲呢，個人認為通過判斷鼠標(biāo)移動軌跡可能是一種方法。當(dāng)然前端沒有100%的反爬蟲手段，我們能做的只是給爬蟲增加一點難度。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: