1、爬虫介绍

通过模拟浏览器的请求,服务器就会根据我们的请求返回我们想要的数据,将数据解析出来,并且进行保存

2、爬虫流程

1-目标: 确定你想要获取的数据

1、确定想要的数据在什么页面上(一般详细的数据会在详情页)
2、确定在哪些页面可以链接到这些页面(一般分类列表页面会在详情页的链接数据)
3、寻找页面之间和数据之间的规律

2-分析页面

1、获取数据的方式(正则,cherrio)
2、分析数据是通过ajax请求数据,还是html自带的数据
3、如果是通过ajax请求的数据,那么需要获取ajax请求的链接,一般请求到的数据是json格式的数据,那么就会比较容易分析
4、如果数据在html里面,那么久用cherrio通过选择器将内容选中

3-编写单个数据获取的案例

1、解析出分类页的链接地址
2、解析出列表的链接地址
3、解析出详情页的链接地址
4、解析详情页里面想要获取的数据
5、将数据进行保存到本地或者是数据库

4-如果遇到阻碍进行反爬虫对抗

1、User-Agent是否是正常浏览器的信息
2、将请求头设置成跟浏览器一样的内容
3、因为爬虫爬取速度过快,会导致封号。1.可以降低速度解决,2.可以使用代理进行解决
4、如果设置需要凭证,那么可以采用无界浏览器真实模拟

3、请求数据的库

request, axios(通过库,帮助我们快速实行HTTP请求来打包)

request.get('请求地址', {
  '请求头字段': '请求头的value值'
},(res)=>{
    //处理返回的内容
});

axios优势会更明显,前后端通杀,前后端调用方式一致

axios.get('请求地址',参数对象)
  .then(function (response) {
    console.log(response);
  })
  .catch(function (error) {
    console.log(error);
  });

puppeteer(完全模拟浏览器)

打开浏览器

let options = {
    headless: true, //是否是无界面
    slowMo: 300,//调试时可以减慢操作速度
    defaultViewport:{
        width: 1200, //设置视窗的宽高
        height: 800,
    },
    timeout: 3000, //默认超时3秒
}
let browser = await puppeteer.launch(options)

打开新标签页

let page = await browser.newPage()

获取浏览器中的页面

let pages = await browser.pages()

关闭浏览器

browser.close()

将页面跳转至

await page.goto(url)

获取页面对象,并进行操作

let btn = await page.$(selector)
let input = await page.$(selector)
//点击按钮
btn.click()
//聚焦到输入框
input.focus()

在页面上写入内容或者键盘按键

await page.keyboard.type('Hello World!');
await page.keyboard.press('ArrowLeft');
await page.keyboard.down('Shift');

设置鼠标的移动

wait page.mouse.move(0, 0);
await page.mouse.down();
await page.mouse.move(0, 100);
await page.mouse.move(100, 100);
await page.mouse.move(100, 0);
await page.mouse.move(0, 0);
await page.mouse.up();

截获请求

await page.setRequestInterception(true);
page.on('request', request => {
request.url() //可以获取请求的网址,request包含了所有的请求信息
  if(你想要的条件){
      request.continue()
  }else{
      request.abort([errorCode])
  }
});

获取浏览器的信息和内容

page.$eval(select,(item)=>{return item})
page.$$eval(selects,(items)=>{return items})