看完本文,你可以:
1、了解大众点评的CSS反爬虫机制
2、破解反爬虫机制
3、使用requests即可正确获取到评论数,平均价格,服务,味道,环境数据,评论文本数据;
在工作生活中,发现越来越多的人对大众点评的数据感兴趣,而大众点评的反爬又是比较严格的。采取的策略差不多是宁可错杀一万,也不放过一个。有的时候正常浏览都会跳出验证码。
另外,在PC端的展示数据是通过CSS来控制的,从网页上看不出来太大的区别,但是用普通的脚本取获取时,会发现数据是获取不到的,具体的源代码是下面这样的:
在搜资料的时候,你会发现,很多教程都是用的selenium之类的方法,效率太低,没有啥技术含量。
所以,这篇文章的面向的对象就是PC端的大众点评;目标是解决这种反爬虫措施,使用requests获取到干净正确的数据;
相信搞过大众点评网站的同学都应该知道上面的这种是一个css反爬的方法,具体的解析操作,即将开始。
当我们的鼠标在上面框框内的span上面点击时,会发现右边部分会相应的发生变化:
这张图片很重要,很重要,很重要,我们要的值,几乎都从这里匹配出来。
这里我们看到了“vxt20”这个变量对应的两个像素值,前面的是控制用哪个数字,后面的是控制用哪一段的数字集合,先记下,后面要用,同时这里的值应该是6;
这里其实就是整个破解流程最关键的一步了。在这里我们看到了一个链接。
瞎猫当死耗子吧,点进去看看。
https://s3plus.meituan.net/v1/mss_0a06a471f9514fc79c981b5466f56b91/svgtextcss/f556c0559161832a4c6192e097db3dc2.svg
你会发现,返回的是一些数字,我一开始是不知道这是啥玩意的,看过一些大神的解析才知道,其实这里就是我们看到的数字的来源,也就是整个破解的源头,知道了这些数字的含义,也就可以直接破解了整个反爬的流程。
现在直接看这个svg源代码:
可以看到这里面的几个关键数字:font-size:字体大小;还有几个y的值,我到后面才知道原来这个y是个阈值,起的是个控制的作用。
所以,这一反爬的原理就是:
获取属性值与偏移量和阈值映射,然后从svg文件中找到真数据。
现在我们就要用到上面的像素值了。
1.把所有的值取绝对值;
2.用后面的值来选择用哪个段的数字,这里的值是103,所以使用第三个段的数字集合;
3.因为每个字体是12个像素,所以用163/12=13.58,约等于14,那么我们数一下第14个数字是啥,没错,是6,和预期一样。你可以多试验几次。
以上,就是整个破解的逻辑过程。
画个流程图:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time :
# @Author :
# @File : dzdp.py
# @Software: PyCharm
import requests,re,math,time
from lxml import etree
import lxml.html as H
headers = {
"User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36",
}
r = requests.get("http://www.dianping.com", headers=headers)
_cookie = ''
for cookie in r.cookies:
_cookie += "%s=%s;"%(cookie.name, cookie.value)
headers.update({"Cookie": _cookie})
def get_tag(_list, offset=1):
_new_list = [data[0:offset] for data in _list]
if len(set(_new_list)) == 1:
# 说明全部重复
offset += 1
return get_tag(_list, offset)
else:
_return_data = [data[0:offset - 1] for data in _list][0]
return _return_data
def get_css(content):
matched = re.search(r'href="([^"]+svgtextcss[^"]+)"', content, re.M)
if not matched:
raise Exception("cannot find svgtextcss file")
css_url = matched.group(1)
css_url = "https:" + css_url
class_tag = re.findall("<b><span class=\"(.*?)\"></span>", content)
_tag = get_tag(class_tag)
return css_url, _tag
def get_svg_threshold_and_int_dict(css_url, _tag):
con = requests.get(css_url, headers=headers).content.decode("utf-8")
index_and_word_dict = {}
# 根据tag值匹配到相应的svg的网址
find_svg_url = re.search(r'span\[class\^="%s"\].*?background\-image: url\((.*?)\);' % _tag, con)
if not find_svg_url:
raise Exception("cannot find svg file, check")
svg_url = find_svg_url.group(1)
svg_url = "https:" + svg_url
svg_content = requests.get(svg_url, headers=headers).content
svg_doc = H.document_fromstring(svg_content)
datas = svg_doc.xpath("//text")
# 把阈值和对应的数字集合放入一个字典中
last = 0
for index, data in enumerate(datas):
y = int(data.xpath('@y')[0])
int_set = data.xpath('text()')[0]
index_and_word_dict[int_set] = range(last, y+1)
last = y
return index_and_word_dict
def get_css_and_px_dict(css_url):
con = requests.get(css_url, headers=headers).content.decode("utf-8")
find_datas = re.findall(r'(\.[a-zA-Z0-9-]+)\{background:(\-\d+\.\d+)px (\-\d+\.\d+)px', con)
css_name_and_px = {}
for data in find_datas:
# 属性对应的值
span_class_attr_name = data[0][1:]
# 偏移量
offset = data[1]
# 阈值
position = data[2]
css_name_and_px[span_class_attr_name] = [offset, position]
return css_name_and_px
def get_data(url ):
"""
:param page_url: 待获取url
:return:
"""
con = requests.get(url, headers=headers).content.decode("utf-8")
# 获取css url,及tag
css_url, _tag = get_css(con)
# 获取css对应名与像素的映射
css_and_px_dict = get_css_and_px_dict(css_url)
# 获取svg的阈值与数字集合的映射
svg_threshold_and_int_dict = get_svg_threshold_and_int_dict(css_url, _tag)
doc = etree.HTML(con)
shops = doc.xpath('//div[@id="shop-all-list"]/ul/li')
for shop in shops:
# 店名
name = shop.xpath('.//div[@class="tit"]/a')[0].attrib["title"]
comment_num = 0
price_num = taste = service= environment = 0
comment_and_price_datas = shop.xpath('.//div[@class="comment"]')
for comment_and_price_data in comment_and_price_datas:
_comment_data = comment_and_price_data.xpath('a[@class="review-num"]/b/node()')
# 遍历每一个node,这里node的类型不同,分别有etree._ElementStringResult(字符),etree._Element(元素),etree._ElementUnicodeResult(字符)
for _node in _comment_data:
# 如果是字符,则直接取出
if isinstance(_node, etree._ElementStringResult):
comment_num = comment_num * 10 + int(_node)
else:
# 如果是span类型,则要去找数据
# span class的attr
span_class_attr_name = _node.attrib["class"]
# 偏移量,以及所处的段
offset, position = css_and_px_dict[span_class_attr_name]
index = abs(int(float(offset) ))
position = abs(int(float(position)))
# 判断
for key, value in svg_threshold_and_int_dict.items():
if position in value:
threshold = int(math.ceil(index/12))-1
number = int(key[threshold])
comment_num = comment_num * 10 + number
_price = comment_and_price_data.xpath('a[@class="mean-price"]/b/node()')
for price_node in _price:
if isinstance(price_node, etree._ElementUnicodeResult):
if len(price_node) > 1:
price_num = price_num * 10 + int(price_node[1:])
elif isinstance(price_node, etree._ElementStringResult):
price_num = price_num * 10 + int(price_node)
else:
span_class_attr_name = price_node.attrib["class"]
# 偏移量,以及所处的段
offset, position = css_and_px_dict[span_class_attr_name]
index = abs(int(float(offset)))
position = abs(int(float(position)))
# 判断
for key, value in svg_threshold_and_int_dict.items():
if position in value:
threshold = int(math.ceil(index / 12))-1
number = int(key[threshold])
price_num = price_num * 10 + number
others_num_node = shop.xpath('.//span[@class="comment-list"]/span')
for others_datas in others_num_node:
if others_datas.xpath('text()') and others_datas.xpath('text()')[0] == u"口味":
_taste_data = others_datas.xpath('b/node()')
for _taste in _taste_data:
if isinstance(_taste, etree._Element):
css_class = _taste.attrib["class"]
# 偏移量,以及所处的段
offset, position = css_and_px_dict[css_class]
index = abs(int(float(offset)))
position = abs(int(float(position)))
# 判断
for key, value in svg_threshold_and_int_dict.items():
if position in value:
threshold = int(math.ceil(index / 12))-1
number = int(key[threshold])
taste = taste * 10 + number
else:
if len(_taste) > 1: #
taste = taste * 10 + int(_taste[1:])
if others_datas.xpath('text()') and others_datas.xpath('text()')[0] == u"服务":
_taste_data = others_datas.xpath('b/node()')
for _taste in _taste_data:
if isinstance(_taste, etree._Element):
css_class = _taste.attrib["class"]
# 偏移量,以及所处的段
offset, position = css_and_px_dict[css_class]
index = abs(int(float(offset)))
position = abs(int(float(position)))
# 判断
for key, value in svg_threshold_and_int_dict.items():
if position in value:
threshold = int(math.ceil(index / 12))-1
number = int(key[threshold])
service = service * 10 + number
else:
if len(_taste) > 1: #
service = service * 10 + int(_taste[1:])
if others_datas.xpath('text()') and others_datas.xpath('text()')[0] == u"环境":
_taste_data = others_datas.xpath('b/node()')
for _taste in _taste_data:
if isinstance(_taste, etree._Element):
css_class = _taste.attrib["class"]
offset, position = css_and_px_dict[css_class]
index = abs(int(float(offset)))
position = abs(int(float(position)))
# 判断
for key, value in svg_threshold_and_int_dict.items():
if position in value:
threshold = int(math.ceil(index / 12))-1
number = int(key[threshold])
environment = environment * 10 + number
else:
if len(_taste) > 1:
environment = environment * 10 + int(_taste[1:])
print("restaurant: {}\n, "
"comment total num: {}\n, "
"price num: {}\n,"
"taste score:{}\n,"
"service socre:{}\n, "
"environment_score:{}, "
"\n ".
format(name,comment_num, price_num, taste, service, environment))
if __name__ == '__main__':
url = "https://www.dianping.com/suzhou/ch10/g110"
get_data(url)