使用selenium爬取京东数据

yiniuyun

最近学了selenium爬取淘宝商品信息的网课，于是就想着也可以依葫芦画瓢的方式来用selenium程序来爬取京东以作巩固。对代码进行了一些研究，通过不断调试，学到了很多细节上的处理。京东和淘宝一样是属于比较难采集的网站，网站的反爬机制不仅多还严。比如最常见的反爬机制封ip，一般处理就很简单，加上代理就可以，但是像京东这样的网站对ip的需求也很高，就算是使用的高匿的代理也还要做好反爬策略，不然效果也是很差的。这里分享一部分代码示例给大家参考下：

from selenium import webdriver    import string    import zipfile    # 代理服务器(产品官网 www.16yun.cn)    proxyHost = "t.16yun.cn"    proxyPort = "31111"    # 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'D:/{}_{}@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",                "",                "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(${port})                    },                    bypassList: ["foobar.com"]                }              };            chrome.proxy.settings.set({value: config, scope: "regular"}, function() {});            function callbackFn(details) {                return {                    authCredentials: {                        username: "${username}",                        password: "${password}"                    }                };            }            chrome.webRequest.onAuthRequired.addListener(                callbackFn,                {urls: [""]},                ['blocking']            );            """        ).substitute(            host=proxy_host,            port=proxy_port,            username=proxy_username,            password=proxy_password,            scheme=scheme,        )        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)    # 修改webdriver get属性    # script = '''    # Object.defineProperty(navigator, 'webdriver', {    # get: () => undefined    # })    # '''    # driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {"source": script})         driver.get("http://httpbin.org/ip")

代码部分主要就是代理的使用分享，在这方面有需求的小伙伴可以多了解下https://www.16yun.cn/。关于京东数据获取的更多内容今天就分享到这里，关注小编之后会分享更多的爬虫知识。

若有收获，就点个赞吧