说说这个网站
汽车之家，反爬神通常的存在，字体反爬的鼻祖网站，这个网站的开发团队，必定擅长前端吧，2019年4月19日开始写这篇博客，不保证这个代码能够存活到月底，但愿后来爬虫coder，继续和汽车之间对抗。javascript
CSDN上关于汽车之家的反爬文章千千万万了，可是爬虫就是这点有意思，这一刻写完，下一刻还能不能用就不知道了，因此能够一直不断有人写下去。但愿今天的博客能帮你学会一个反爬技巧。css
今天要爬去的网页
https://car.autohome.com.cn/config/series/59.html#pvareaid=3454437 咱们要作的就是爬取汽车参数配置html
具体的数据以下 
查看页面源代码发现，一个好玩的事情，源代码中使用了大量的CSS3的语法 下图，我标注的部分就是关键的一些数据了，大概在600行以后。 前端
反爬措施展现
源文件数据java
刹车/<span class='hs_kw86_baikeIl'></span>安全系统
页面显示数据 一些关键数据被处理过了。python
爬取关键信息
咱们要把源代码中的关键信息先获取到，即便他数据是存在反爬的。获取数据是很是简单的。经过request模块便可程序员
def get_html():
url = "https://car.autohome.com.cn/config/series/59.html#pvareaid=3454437"
headers = {
"User-agent": "你的浏览器UA"
}
with requests.get(url=url, headers=headers, timeout=3) as res:
html = res.content.decode("utf-8")
return html
找关键因素
在html页面中找到关键点：web
- var config
- var levelId
- var keyLink
- var bag
- var color
- var innerColor
- var option
这些内容你找到以后，你下手就用重点了，他们是什么？数据啊，经过简单的正则表达式就能够获取到了正则表达式
def get_detail(html):
config = re.search("var config = (.*?)};", html, re.S)
option = re.search("var option = (.*?)};", html, re.S)
print(config,option)
输出结果浏览器
>python e:/python/demo.py
<re.Match object; span=(167291, 233943), match='var config = {"message":"<span class=\'hs_kw50_co>
>python e:/python/demo.py
<re.Match object; span=(167291, 233943), match='var config = {"message":"<span class=\'hs_kw50_co> <re.Match object; span=(233952, 442342), match='var option = {"message":"<span class=\'hs_kw16_op>
处理汽车参数
经过正则表达式的search方法，匹配数据，而后调用group(0) 便可获得相关的数据
def get_detail(html):
config = re.search("var config = (.*?)};", html, re.S)
option = re.search("var option = (.*?)};", html, re.S)
# 处理汽车参数
car_info = ""
if config and option :
car_info = car_info + config.group(0) + option.group(0)
print(car_info)
拿到数据以后，没有完，这是混淆以后的数据，须要解析回去，继续关注网页源代码，发现一段奇怪的JS。这段JS先不用管，留点印象便可~
关键字破解
注意到
<span class="hs_kw28_configfH"></span>
hs_kw数字_configfH是一个span的class
我选中span以后的::before 对应的css为 发现实测两个字出现了，对应的class请记住
.hs_kw28_configfH::before
全局搜索一下
双击找到来源
肯定数据就在html源码当中。
格式化html源码，在内部搜索hs_kw，找到关键函数
function $GetClassName$($index$) {
return '.hs_kw' + $index$ + '_baikeCt';
}
这段JS的来源就是咱们刚才保留的那个JS代码段，复制全部的JS源码，到source里面新建一个snippet，而后咱们运行一下。 在里面代码最后添加一个断点，ctrl+enter运行 运行到断点，在右侧就能看到一些参数出现
- $ruleDict$:
- $rulePosList$ 经过参数去查找，核心的替换方法
接下来，咱们进行替换操做，这部流程须要用到selenium进行替换
核心代码以下，主要的注释，我写在了代码内部，但愿能帮助你看懂
def write_html(js_list,car_info):
# 运行JS的DOM -- 这部破解是最麻烦的，很是耗时间~参考了互联网上的大神代码
DOM = ("var rules = '2';"
"var document = {};"
"function getRules(){return rules}"
"document.createElement = function() {"
" return {"
" sheet: {"
" insertRule: function(rule, i) {"
" if (rules.length == 0) {"
" rules = rule;"
" } else {"
" rules = rules + '#' + rule;"
" }"
" }"
" }"
" }"
"};"
"document.querySelectorAll = function() {"
" return {};"
"};"
"document.head = {};"
"document.head.appendChild = function() {};"
"var window = {};"
"window.decodeURIComponent = decodeURIComponent;")
# 把JS文件写入到文件中去
for item in js_list:
DOM = DOM + item
html_type = "<html><meta http-equiv='Content-Type' content='text/html; charset=utf-8' /><head></head><body> <script type='text/javascript'>"
# 拼接成一个能够运行的网页
js = html_type + DOM + " document.write(rules)</script></body></html>"
# 再次运行的时候，请把文件删除，不然没法建立同名文件，或者自行加验证便可
with open("./demo.html", "w", encoding="utf-8") as f:
f.write(js)
# 经过selenium将数据读取出来，进行替换
driver = webdriver.PhantomJS()
driver.get("./demo.html")
# 读取body部分
text = driver.find_element_by_tag_name('body').text
# 匹配车辆参数中全部的span标签
span_list = re.findall("<span(.*?)></span>", car_info) # car_info 是我上面拼接的字符串
# 按照span标签与text中的关键字进行替换
for span in span_list:
# 这个地方匹配的是class的名称 例如 <span class='hs_kw7_optionZl'></span> 匹配 hs_kw7_optionZl 出来
info = re.search("'(.*?)'", span)
if info:
class_info = str(info.group(1)) + "::before { content:(.*?)}" # 拼接为 hs_kw7_optionZl::before { content:(.*?)}
content = re.search(class_info, text).group(1) # 匹配文字内容，返回结果为 "实测""油耗""质保"
car_info = car_info.replace(str("<span class='" + info.group(1) + "'></span>"),
re.search("\"(.*?)\"", content).group(1))
print(car_info)
运行结果
对比一下原来数据，发现问题不大，完成任务。
入库操做
剩下的步骤就是数据持久化了，数据拿到以后，其余的都是比较简单的，但愿你能够直接搞定。
小扩展：格式化JS
碰到这种JS，直接找到格式化工具处理它
http://tool.oschina.net/codeformat/js/
格式完成以后，代码具有必定的阅读能力
思路汇总
汽车之家用CSS隐藏了部分真实的字体，在解决的过程当中，须要首先针对class去查找，当找到JS位置的时候，必需要搞定它的加密规则，顺着规则以后，只须要完成基本的key、value替换就能够拿到真实的数据了。
关注公众帐号：非本科程序员
关注以后，发送【汽车】获取源码