本系列文章共十篇：
【爬虫成长之路】（一）爬虫系列文章导读
【爬虫成长之路】（二）各篇需要用到的库和工具
【爬虫成长之路】（三）【大众点评】selenium爬虫
【爬虫成长之路】（四）【大众点评】selenium登录+requests爬取数据
【爬虫成长之路】（五）【大众点评】浏览器扫码登录+油猴直接爬取数据
【爬虫成长之路】（六）【大众点评】mitmproxy中间人代理爬虫
【爬虫成长之路】（七）【大众点评】PC微信小程序+requests爬取数据
【爬虫成长之路】（八）【大众点评】安卓APP爬虫
本文需要用到的工具：浏览器
F12控制台
本文需要用到的库：selenium、bs4、requests、json
爬取目标数据：
- 指定城市的店铺列表及其评分数据
- 指定店铺下的用户评论数据
一、需求分析
这一篇总共需要爬取两个页面的数据，分别是：
- 某城市的
店铺列表页面 - 某店铺的
评论列表页面
二、获取目标页面的URL
这里获取这里获取的URL同【爬虫成长之路】（三）【大众点评】selenium爬虫一致，故不再介绍如何提取。相应的URL如下：
# 登录URL
https://account.dianping.com/login?redir=http%3A%2F%2Fwww.dianping.com%2F
# 店铺列表URL
http://www.dianping.com/guangzhou/ch10/p2
# 评论详情URL
http://www.dianping.com/shop/G8Ieq52Y02jBiXP8/review_all/p2
三、分析文档结构，定位元素位置
这里也同【爬虫成长之路】（三）【大众点评】selenium爬虫一致，没有变化，故不再作重复介绍。
四、遇到的问题
前面【爬虫成长之路】（三）【大众点评】selenium爬虫提到，selenium的缺点是速度太慢了，所以这一篇我们来考虑如何改善这个问题。
我们知道，selenium之所以慢，是因为其操作依赖于浏览器，获取数据的过程中，浏览器启动慢，打开页面的过程中往往会加载其他无关的页面，具体速度取决于最后一个加载完成的URL，性能十分低下，所以我们这里改用requests来提升爬取速度，但前面也说过，大众点评的反爬技术在国内绝对是前几名的，系统的风控也十分严格。
登录方式有三种：
- 扫码登录
- 手机验证码登录
- 账号密码登录
现在大部分网站都是采用这几种方式去登录的。如果我们要做到全自动，就必须解决自动登录的问题，所以这里只能选择第三种账号密码登录的方式，然而这种方式却又是风控最严的，非常容易触发风控，触发风控后轻则出现各类验证码，重则直接限制账号登录。在爬取的过程中，遇到的验证码种类多样，应该还没有全部出来，所以要处理验证码是一件非常费劲的事。其实不光是验证码，登录过程中还有许多的参数会用JS加密，而JS又大又被混淆了，所以处理起来并不容易。如下是测试过程中遇到的风控和部分验证码：
风控&验证码
五、解决方案
利用selenium获取cookie，使用requests提高爬取速度
如果需要的爬取的数据量不大，或者仅仅是用来学习爬虫技术，在第一关登录时就花费如此多的精力是不值得的，所以我们选择使用selenium手机扫码登录，再将登录成功后的cookie复制到requests，这样就也可避开复杂的登录验证过程。
为了避免频繁登录导致被封账号，可以将cookie先缓存下来，下次启动直接从文件中读取。
关键代码如下：
driver = webdriver.Chrome()
cookie = {cookie['name']: cookie['value'] for cookie in driver.get_cookies()}
session = requests.session()
session.headers.clear()
session.cookies.update(cookie)
完整代码如下：
# -*- coding: utf-8 -*-
# @Time : 2021/4/21 10:11
# @Author : keep1234quiet
# @FileName: 04.selenium_requests_spider.py
# @Software: PyCharm
# @Blog : https://www.jianshu.com/u/2fc23add985d
import random
import requests
import json
from selenium import webdriver
from time import sleep
from bs4 import BeautifulSoup as BS
def login():
"""
登录函数
"""
login_url = 'https://account.dianping.com/login?redir=http%3A%2F%2Fwww.dianping.com%2F'
driver.get(login_url) # 打开登录页面，手动扫码登录
while True:
try:
driver.find_element_by_class_name('login-container') # 还能找到"请登录"
sleep(2)
except:
driver.find_element_by_class_name('countDown') # 登录成功
break
print('登录成功')
def process_cookie(refresh_cookie=True):
"""
处理cookie，将driver 的 cookie复制到 requests，并把cookie保存下来供下次使用
:param refresh_cookie: 是否从selenium更新cookie
:return:
"""
headers = {
'User-Agent': UA,
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
'Accept-Language': 'zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
'Upgrade-Insecure-Requests': '1',
'Cache-Control': 'max-age=0',
}
session.headers.update(headers)
# 将selenium中的cookie复制到requests.session()中
if refresh_cookie:
cookie = {cookie['name']: cookie['value'] for cookie in driver.get_cookies()}
# 将获取到的cookie保存下来，避免重复获取
with open('cookie/03.cookies.txt', 'w') as f:
f.write(json.dumps(driver.get_cookies()))
driver.quit()
print('从selenium更新cookie')
else:
with open('cookie/03.cookies.txt', 'r') as f:
cookies = json.loads(f.read())
cookie = {_cookie['name']: _cookie['value'] for _cookie in cookies}
print('从本地缓存更新cookie')
session.cookies.update(cookie)
def fetch_shoplist(page_num=1):
"""
获取美食分区下的店铺信息
"""
city = 'guangzhou'
food_shop_url = f'http://www.dianping.com/{city}/ch10' # /p1~
shop_info = []
for i in range(1, page_num + 1):
# driver.get(food_shop_url + f'/p{i}')
res = session.get(food_shop_url + f'/p{i}')
# soup = BS(driver.page_source, 'lxml')
soup = BS(res.content, 'lxml')
page_shop = soup.find_all('div', class_='txt')
for shop in page_shop:
shop_info.append({
'shopid': shop.a['data-shopid'],
'name': shop.a.text.strip(),
'score': shop.find('div', class_='nebula_star').text.strip()
})
return shop_info
def fetch_comment(shopid='H7fXoNAkafmesfFG', page=1):
"""
爬取指定店铺下的用户评论
:param shopid: 店铺ID
:param page: 页码
:return: 解析后的评论信息
"""
url = f'http://www.dianping.com/shop/{shopid}/review_all'
if page != 1:
url += f'/p{page}'
# driver.get(url)
# soup = BS(driver.page_source, 'lxml')
res = session.get(url)
soup = BS(res.text, 'lxml')
comments = soup.find_all('div', class_='main-review')
comment_list = []
for item in comments: # 遍历所有评论
username = item.find('div', class_='dper-info').text.strip()
items = item.find_all('span', class_='item') # 各项评分
detail_score = []
for _item in items:
detail_score.append(_item.text.strip())
content = item.find('div', class_='review-words').text.strip() # 获取到的评论不全，做了CSS加密
comment_list.append({'username': username, 'item': detail_score, 'content': content})
return comment_list
if __name__ == '__main__':
refresh_cookie = False
UA = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.128 Safari/537.36'
session = requests.session()
session.headers.clear()
if refresh_cookie:
options = webdriver.ChromeOptions()
options.add_argument(f'user-agent={UA}')
options.add_experimental_option("excludeSwitches", ["enable-automation"])
options.add_experimental_option('useAutomationExtension', False)
# 没有配置环境变量的话需要填写Chromedriver的路径：webdriver.Chrome(executable_path="***")
driver = webdriver.Chrome(options=options)
driver.maximize_window()
# 去掉window.navigator.webdriver字段，防止被检测出是使用selenium
driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
"source": """
Object.defineProperty(navigator, 'webdriver', {
get: () => undefined
})
"""
})
login()
process_cookie(refresh_cookie)
shop_info = fetch_shoplist()
for _ in shop_info:
print(_)
shopid = shop_info[2]['shopid'] # 这里也可以用for来遍历，但要适当加延时
comment_list = fetch_comment(shopid=shopid, page=1)
# print(comment_list)
for _ in comment_list:
print(_)
六、程序运行结果
从爬取结果来看，和之前的【爬虫成长之路】（三）【大众点评】selenium爬虫爬取结果是基本一致的。
爬取结果
七、优缺点分析
| 序号 | 优点 | 缺点 |
|---|---|---|
| 1 | 程序编写较为简单 | 爬取过程中仍然会遇到验证码无法处理 |
| 2 | 速度比第三篇文章中所采用的方法要快很多 | 遇到复杂的请求，参数生成十分复杂 |
注：
- 如果您不希望我在文章提及您文章的链接，或是对您的服务器造成了损害，请联系我对文章进行修改；
- 本文仅爬取公开数据，不涉及到用户隐私；
网友评论