说说这个网站
汽车之家，反爬神一般的存在，字体反爬的鼻祖网站，这个网站的开发团队，一定擅长前端吧，2019年4月19日开始写这篇博客，不保证这个代码可以存活到月底，希望后来爬虫coder，继续和汽车之间对抗。
CSDN上关于汽车之家的反爬文章千千万万了，但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，所以可以一直不断有人写下去。希望今天的博客能帮你学会一个反爬技巧。
今天要爬去的网页
https://car.autohome.com.cn/config/series/59.html#pvareaid=3454437
我们要做的就是爬取汽车参数配置
具体的数据如下
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行之后。
反爬措施展示
源文件数据
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。
爬取关键信息
我们要把源代码中的关键信息先获取到，即使他数据是存在反爬的。获取数据是非常简单的。通过request模块即可
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：
- var config
- var levelId
- var keyLink
- var bag
- var color
- var innerColor
- var option
这些内容你找到之后，你下手就用重点了，他们是什么？数据啊，通过简单的正则表达式就可以获取到了
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
>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
通过正则表达式的search方法，匹配数据，然后调用group(0) 即可得到相关的数据
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)拿到数据之后，没有完，这是混淆之后的数据，需要解析回去，继续关注网页源代码，发现一段奇怪的JS。这段JS先不用管，留点印象即可~
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之后的::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
确定数据就在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的来源就是我们刚才保留的那个JS代码段，复制所有的JS源码，到source里面新建一个snippet，然后我们运行一下。
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
- $ruleDict$:
- $rulePosList$
通过参数去查找，核心的替换方法
接下来，我们进行替换操作，这部流程需要用到selenium进行替换
核心代码如下，主要的注释，我写在了代码内部，希望能帮助你看懂
def write_html(js_list,car_info):
# 运行JS的DOM -- 这部破解是最麻烦的，非常耗时间~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'>"
# 拼接成一个可以运行的网页
js = html_type + DOM + " document.write(rules)</script></body></html>"
# 再次运行的时候，请把文件删除，否则无法创建同名文件，或者自行加验证即可
with open("./demo.html", "w", encoding="utf-8") as f:
f.write(js)
# 通过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
# 匹配车辆参数中所有的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。
入库操作
剩下的步骤就是数据持久化了，数据拿到之后，其他的都是比较简单的，希望你可以直接搞定。
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/
格式完成之后，代码具备一定的阅读能力
思路汇总
汽车之家用CSS隐藏了部分真实的字体，在解决的过程中，需要首先针对class去查找，当找到JS位置的时候，必须要搞定它的加密规则，顺着规则之后，只需要完成基本的key、value替换就可以拿到真实的数据了。
关注公众账号：非本科程序员
关注之后，发送【汽车】获取源码
原文地址：https://www.cnblogs.com/happymeng/p/10784177.html