title: Go语言使用chromedp爬虫
tags: Go,chromedp
author: Clown95

背景

最近朋友让我帮忙爬取一个网站上面的数据,当时看到页面觉得很简单,虽然有25000多页,但是网站没有反爬虫机制,只要多开几个协程就行。

当我简单的爬取第一页之后,发现url没有page参数。好吧,查看翻页的源代码看看,javascript:__doPostBack('anpDataPager','2') 看到这个翻页我有点头疼,是aps写的后台,通过js调dll内部跳转的。

考虑到一般翻页无非是url和ajax。我又去控制台查看ajax,打开控制台选中XHR,结果让我有点懵逼,根本就没有ajax。

我当时就打退堂鼓了,但是又考虑到跟朋友一口一个保证,没办法硬着头皮来吧,那就在url上尝试使用anpDataPager传参看看,还是不行,那就再换curpage依然不行,当我尝试了N遍了常用的curpage参数后,这种方法也以失败告终。

没法比,答应别人的事情当然得尽力完成,就突发奇想使用按键精灵这里脚本语言,模拟手动操作。因为需要查找翻页按钮操作,我只能前台运行。但是有一个很棘手的问题,网站所在服务器速度很慢,大概2-4秒才能显示出数据,而且数据量稍大25675页,我这模拟下去,我得几天不干活。

百度搜索看看有没有其他大佬遇到过类似的情况,你别说还真有,但是大佬使用的Python 模拟提交form __VIEWSTATE __EVENTTARGET __EVENTARGUMENT __EVENTVALIDATION 这四个数据,我用go模仿大佬的方法不知道怎么就是不行。

那就在继续搜索下,看到可以用selenium和chromedp 来模拟浏览器操作,最终选择了chromedp

chromedp 介绍

chromedp包是一种更快,更简单的方法,可以使用无外部依赖关系(即Selenium,PhantomJS等)来驱动支持Go中的Chrome DevTools协议的浏览器 。

安装

go get -u github.com/chromedp/chromedp

注意:需要安装chrome浏览器或者chromedrive

使用

官方提供的Demo

https://github.com/chromedp/examples

Api查询地址

https://godoc.org/github.com/chromedp/chromedp

需要爬的内容

<tbody>
 
 <tr>
 <td>1</td>
 <td>2019年3月22日 11:11:31</td>
 <td>400</td>
 <td>1,000,000</td>
 <td>1,000</td>
 <td>1,000,400</td>
 <td>aabb123</td>
 <td> </td>
 <td>92fox</td>
 <td>92fox</td>
 <td>上分</td>
 </tr>
 
 .....
 
 </tbody>

我直接贴上我爬虫的代码

package main
import (
 "context"
 "errors"
 "github.com/chromedp/cdproto/cdp"
 "github.com/chromedp/cdproto/network"
 "time"
 "log"
 "github.com/chromedp/chromedp"
)
var res string // 定义全局变量,用来保存爬虫的数据
func main() {
 var err error
 
 // 创建链接
 ctxt, cancel := context.WithCancel(context.Background())
 defer cancel()
 
 //创建chrome.New()创建新的chrome实例
 c, err := chromedp.New(ctxt, chromedp.WithLog(log.Printf)) 
 if err != nil {
 log.Fatal(err)
 }
 x, err := chromedp.New(ctxt, chromedp.WithLog(log.Printf))
 if err != nil {
 log.Fatal(err)
 }
 //执行任务
 err = c.Run(ctxt, visitWeb("http://dl.gaggjz.pw:8086/OpRoot/MemberScoreList.aspx?uid=0&op=0&uname=sdafsadsaf"))
 if err != nil {
 log.Fatal(err)
 }
 // 循环翻页
 for i := 1; i < 25000; i++ {
 //执行
 err = x.Run(ctxt, DoCrawler()) //执行爬虫任务
 WirteTXT(res)// res的内容写入文本 
 }
}
// 任务 主要用来设置cookie ,获取登录账号后的页面
func visitWeb(url string) chromedp.Tasks {
 return chromedp.Tasks{ 
 chromedp.ActionFunc(func(ctxt context.Context, h cdp.Executor) error {
 expr := cdp.TimeSinceEpoch(time.Now().Add(180 * 24 * time.Hour))
 success, err := network.SetCookie("ASP.NET_SessionId", "这里是值"). //设置cookie
 WithExpires(&expr).
 WithDomain("dl.gaggjz.pw:8086"). //访问网站主体
 WithHTTPOnly(true).
 Do(ctxt, h)
 if err != nil {
 return err
 }
 if !success {
 return errors.New("could not set cookie")
 }
 return nil
 }),
 chromedp.Navigate(url), //页面跳转
 }
}
// 任务 主要执行翻页功能和或者html
func DoCrawler() chromedp.Tasks {
 //sel =fmt.Sprintf(`javascript:__doPostBack('anpDataPager','%s')`,"2")
 return chromedp.Tasks{
 chromedp.Sleep(1*time.Second), // 等待
 chromedp.WaitVisible(`#form1`, chromedp.ByQuery),等待id=from1页面可见 ByQuery是使用DOM选择器查找
 chromedp.Sleep(1*time.Second), 
 chromedp.Click(`.pagination li:nth-last-child(4) a`, chromedp.ByQuery),//点击翻页
 chromedp.OuterHTML(`tbody`, &res, chromedp.ByQuery), //获取改 tbody标签的html
 }
}
func WirteTXT(txt string ) {
 f, err := os.OpenFile("1.txt", os.O_RDWR|os.O_CREATE|os.O_APPEND, 0777)
 if err != nil {
 fmt.Println("os Create error: ", err)
 return
 }
 defer f.Close()
 bw := bufio.NewWriter(f)
 bw.WriteString(txt+"\n")
 bw.Flush()
}

总结

通过代码可以看到我创建了chromedp.Tasks 任务,第一个任务主要就是为了设置cookie即模拟登录,第二个任务是最重要的,它主要用来点击下一页按钮和获取指定html内容。因为第一次接触chromedp,所以我刚开始把两个任务放在一个任务里,就造成了第一页和第二页来回跳转。所以突发奇想创建了2个任务。当然我后来才知道,单独执行第二个任务的时候,可以手动输入地址和登录账号,程序也是可以执行的,就是有个缺点,执行一段时间可能cookie失效,需要重新登录。要注意的是chromedp使用的是DOM 原生选择器,我刚开始看到ByQuery 以为可以使用JQuery选择器,一直筛选不到内容。 还有一个坑点就是,我爬取的td标签是在tbody内的,直接使用chromedp.Text()获取不到内容,所以退而求次,获取了html,但是我发现goquery 读取文本里面的html也不能获取到td的内容,最后我把tbody替换成table,可以成功的获取到内容。

有疑问加站长微信联系(非本文作者)

• 请尽量让自己的回复能够对别人有帮助
• 支持 Markdown 格式, **粗体**、~~删除线~~、`单行代码`
• 支持 @ 本站用户;支持表情(输入 : 提示),见 Emoji cheat sheet
• 图片支持拖拽、截图粘贴等方式上传