首页 文章详情

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

DotNetCore实战 | 305 2021-11-12 01:55 0 0 0
UniSMS (合一短信)


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

 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


 

    private void crawlingWebFunc()        {            SetText("\r\n开始尝试...");            List<testfold> surls = new List<testfold>();            string path = System.Environment.CurrentDirectory + "\\图片url\\";            DirectoryInfo root = new DirectoryInfo(path);            DirectoryInfo[] dics = root.GetDirectories();            foreach (var itemdic in dics)            {                string txt = "";                StreamReader sr = new StreamReader(itemdic.FullName + "\\data.txt");                while (!sr.EndOfStream)                {                    string str = sr.ReadLine();                    txt += str;// + "\n";                }                sr.Close();                surls.Add(new testfold() { key = itemdic.FullName, picurl = txt });            }
ChromeDriverService service = ChromeDriverService.CreateDefaultService(System.Environment.CurrentDirectory); // service.HideCommandPromptWindow = true;
ChromeOptions options = new ChromeOptions(); options.AddArguments("--test-type", "--ignore-certificate-errors"); options.AddArgument("enable-automation"); // options.AddArgument("headless"); // options.AddArguments("--proxy-server=http://user:password@yourProxyServer.com:8080");
using (IWebDriver driver = new OpenQA.Selenium.Chrome.ChromeDriver(service, options, TimeSpan.FromSeconds(120))) { driver.Url = "https://www.1688.com/"; Thread.Sleep(200); try { int a = 1; foreach (var itemsurls in surls) { SetText("\r\n第" + a.ToString() + "个"); driver.Navigate().GoToUrl(itemsurls.picurl); //登录 if (driver.Url.Contains("login.1688.com")) { SetText("\r\n需要登录,开始尝试..."); trylogin(driver); //尝试登录完成 //再试试 driver.Navigate().GoToUrl("https://s.1688.com/youyuan/index.htm?tab=imageSearch&imageType=oss&imageAddress=cbuimgsearch/eWXC7XHHPN1607529600000&spm=");
if (driver.Url.Contains("login.1688.com")) { //没办法退出 SetText("\r\n退出,换ip重试..."); return; } }
//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 // var elements = document.getElementsByClassName('hover-container'); // Array.prototype.forEach.call(elements, function(element) { // element.style.display = "block"; // console.log(element); // });
// IJavaScriptExecutor js = (IJavaScriptExecutor)driver;
// 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); });");
Thread.Sleep(500); var responseModel = Write(itemsurls.key, driver.PageSource, Pagetypeenum.列表); Thread.Sleep(500); int i = 1; foreach (var offer in responseModel?.data?.offerList ?? new List<OfferItemModel>()) { driver.Navigate().GoToUrl(offer.information.detailUrl); string responseDatadetail = driver.PageSource; Write(itemsurls.key, driver.PageSource, Pagetypeenum.详情); SetText("\r\n第" + a.ToString() + "-" + i.ToString() + "个"); Thread.Sleep(500); i++; } } } catch (Exception ex) { CloseChromeDriver(driver); throw; } } }

  

  #region 异常  退出chromedriver
[DllImport("user32.dll", EntryPoint = "FindWindow")] private extern static IntPtr FindWindow(string lpClassName, string lpWindowName);
[DllImport("user32.dll", EntryPoint = "SendMessage")] public static extern int SendMessage(IntPtr hWnd, int Msg, int wParam, int lParam);
public const int SW_HIDE = 0; public const int SW_SHOW = 5;
[DllImport("user32.dll", EntryPoint = "ShowWindow")] public static extern int ShowWindow(IntPtr hwnd, int nCmdShow);
/// <summary> /// 获取窗口句柄 /// </summary> /// <returns></returns> public IntPtr GetWindowHandle() { string name = (Environment.CurrentDirectory + "\\chromedriver.exe"); IntPtr hwd = FindWindow(null, name); return hwd; }
/// <summary> /// 关闭chromedriver窗口 /// </summary> public void CloseWindow() { try { IntPtr hwd = GetWindowHandle(); SendMessage(hwd, 0x10, 0, 0); } catch { } }
/// <summary> /// 退出chromedriver /// </summary> /// <param name="driver"></param> public void CloseChromeDriver(IWebDriver driver) { try { driver.Quit(); driver.Dispose(); } catch { } CloseWindow(); }
#endregion 异常 退出chromedriver

 效果


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



往期精彩回顾




【推荐】.NET Core开发实战视频课程 ★★★

.NET Core实战项目之CMS 第一章 入门篇-开篇及总体规划

【.NET Core微服务实战-统一身份认证】开篇及目录索引

Redis基本使用及百亿数据量中的使用技巧分享(附视频地址及观看指南)

.NET Core中的一个接口多种实现的依赖注入与动态选择看这篇就够了

10个小技巧助您写出高性能的ASP.NET Core代码

用abp vNext快速开发Quartz.NET定时任务管理界面

在ASP.NET Core中创建基于Quartz.NET托管服务轻松实现作业调度

现身说法:实际业务出发分析百亿数据量下的多表查询优化

关于C#异步编程你应该了解的几点建议

C#异步编程看这篇就够了


good-icon 0
favorite-icon 0
收藏
回复数量: 0
    暂无评论~~
    Ctrl+Enter