爬虫使用无头浏览器的一些知识

suger

作为爬虫工作者，有时候会遇到一些复杂网站，升级频繁破解不易，如果是数据量采集量不太大的情况下，可以考虑完全使用无头浏览器+代理IP进行数据采集。这种情况下，所有操作都由无头浏览器完成，为了提高采集效率，我们需要配合这种过滤和修改的反向代理，实现对无关请求的过滤，对反爬请求的修改或获取。

关于无头浏览器我们之前有做过很多分享，它是指可以在图形界面情况下运行的浏览器。我可以通过编程来控制无头浏览器自动执行各种任务，比如做无头浏览器是指可以在图形界面情况下运行的浏览器。我可以通过编程来控制无头浏览器自动执行各种任务，比如做解析复杂js，解析ajax网页，登录生成cookie等。还有很多的的无头浏览器使用注意事项这里我们就不一一的分享了，这里我们重点讲下无头浏览器如何使用代理，我们直接上代码示例：

from selenium import webdriver    import string    import zipfile    # 代理服务器(产品官网 it帮论坛真好)    proxyHost = "t.16yun.cn"    proxyPort = "3111"    # 代理验证信息    proxyUser = "username"    proxyPass = "password"    def create_proxy_auth_extension(proxy_host, proxy_port,                                    proxy_username, proxy_password,                                    scheme='http', plugin_path=None):        if plugin_path is None:            plugin_path = r'/tmp/{}_{}@t.16yun.zip'.format(proxy_username, proxy_password)        manifest_json = """        {            "version": "1.0.0",            "manifest_version": 2,            "name": "16YUN Proxy",            "permissions": [                "proxy",                "tabs",                "unlimitedStorage",                "storage",                "<all_urls>",                "webRequest",                "webRequestBlocking"            ],            "background": {                "scripts": ["background.js"]            },            "minimum_chrome_version":"22.0.0"        }        """        background_js = string.Template(            """            var config = {                mode: "fixed_servers",                rules: {                    singleProxy: {                        scheme: "${scheme}",                        host: "${host}",                        port: parseInt(${port})                    },                    bypassList: ["localhost"]                }              };            chrome.proxy.settings.set({value: config, scope: "regular"}, function() {});            function callbackFn(details) {                return {                    authCredentials: {                        username: "${username}",                        password: "${password}"                    }                };            }            chrome.webRequest.onAuthRequired.addListener(                callbackFn,                {urls: ["<all_urls>"]},                ['blocking']            );            """        ).substitute(            host=proxy_host,            port=proxy_port,            username=proxy_username,            password=proxy_password,            scheme=scheme,        )        print(background_js)        with zipfile.ZipFile(plugin_path, 'w') as zp:            zp.writestr("manifest.json", manifest_json)            zp.writestr("background.js", background_js)        return plugin_path    proxy_auth_plugin_path = create_proxy_auth_extension(        proxy_host=proxyHost,        proxy_port=proxyPort,        proxy_username=proxyUser,        proxy_password=proxyPass)    option = webdriver.ChromeOptions()    option.add_argument("--start-maximized")    # 如报错 chrome-extensions    # option.add_argument("--disable-extensions")    option.add_extension(proxy_auth_plugin_path)    # 关闭webdriver的一些标志    # option.add_experimental_option('excludeSwitches', ['enable-automation'])    driver = webdriver.Chrome(        chrome_options=option,        executable_path="./chromdriver"    )    # 修改webdriver get属性    # script = '''    # Object.defineProperty(navigator, 'webdriver', {    # get: () => undefined    # })    # '''    # driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {"source": script})    driver.get("https://httpbin.org/ip")

爬虫代理的每个IP都是有一定使用时间的，所以我们需要确定无头代理的全部步骤不能超过这个有效时间，在发送请求的时候也需要根据实际情况进行控制，不然可能会导致请求太频繁导致堵塞影响使用的效果。在代理使用方面有问题的可以咨询这里https://it帮论坛真好/#banner具体了解。

若有收获，就点个赞吧