环境配置
●.net core下载。可选的可以下载宇宙大IDEVisual Studio,当然更加推荐使用Visual Studio Code进行代码的书写。
●Phantomjs。这个不用说了,今天的主角。采用无头浏览器爬取ACG小站的很大原因是它的页面很难分析,此外也有熟悉一下Phantomjs的意思。
●HttpCode.Core,是一个.net core的HTTP请求库,可以使用Nuget安装。库本质上是基于HttpWebRequest实现的,但是为了舍去我们自己封装的麻烦,就采用此库来减少代码量。
●AngleSharp,一个帮助解析HTML的.net库,可以直接使用LINQ来查询,很方便。
页面分析
详情页
就以其中随便的一个动漫链接下载为例子,发现了坑爹的玩意,下载链接的href属性是javascript:;。介于浅薄的javascript知识,百度了才知道这个是伪协议,实际运行了一段js代码回调,从而打开了新的页面。但是这个网站是用React写的,更可怕的在下面。
JavaScript
原本采用直接分析,并借助Debug调试来分析它点击后的回调函数,但是这个JavaScript文件竟然有2万行代码,Chrome打开调试定点,根本就没法format,不然直接卡死,于是放弃了这个念头,转而采用无头浏览器进行爬取。
实现
一般采用Phantomjs的手段都为Selenium+Phantomjs,但是性能不是很好,而且暂时也没怎么找.net的Selenium接口,所以就选用了最近看到的直接让Phantomjs作为服务端,然后去请求它,让它把要爬取的结果反馈给.net。注意,这里的结果可以是网页页面,也可以是Phantomjs进行HTML解析完的真实数据。
.Net Core代码
public async Task<string> GetDownloadPageAsync(string url) { string result = string.Empty; //请求phantomjs 获取下载页面 string dom = "Tappable-inactive animated fadeIn"; KeyValuePair<string, string> url2dom = new KeyValuePair<string, string>(url, dom); var postData = JsonConvert.SerializeObject(url2dom); CookieContainer cc = new CookieContainer(); HttpHelpers helper = new HttpHelpers(); HttpItems items = new HttpItems(); HttpResults hr = new HttpResults(); items.Url = "http://localhost:8088/"; items.Method = "POST"; items.Container = cc; items.Postdata = postData; items.Timeout = 100000; hr = await helper.GetHtmlAsync(items); var downloadPageUrl = hr.Html; Console.WriteLine($"first => { downloadPageUrl }"); if(downloadPageUrl.Contains("http")) { # TODO } else { result = downloadPageUrl; //输出错误信息 } return result; } |
这里展示的是第一部分的代码,即请求详情页的代码,还未涉及到点了下载按钮之后页面的分析,实际上差不多。
JavaScript代码
"use strict"; var port = 8088; var server = require('webserver').create(); //服务端监听 server.listen(8088, function (request, response) { //传入的参数有待更改,目前为 //{"Key":"https://acg12.com/200340/", "Value":"Tappable-inactive animated fadeIn"}的json字符窜 //第一个参数为详情页,第二个为下载按钮的Dom var data = JSON.parse(request.postRaw); var url = data.Key.toString(); var dom = data.Value.toString(); var code = 0; var page = require('webpage').create(); //初始化headers page.onInitialized = function() { page.customHeaders = {}; }; page.settings.loadImages = false; page.customHeaders = { "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2062.120 Safari/537.36", "Referer": url }; response.headers = { 'Cache': 'no-cache', 'Content-Type': 'text/plain', 'Connection': 'Keep-Alive', 'Keep-Alive': 'timeout=20, max=100' }; //根据Phantomjs的官网,这个回调在打开新标签页会触发 page.onPageCreated = function(newPage) { //console.log('A new child page was created! Its requested URL is not yet available, though.'); newPage.onLoadFinished = function(status) { console.log('A child page is Loaded: ' + newPage.url); //newPage.render('newPage.png'); response.write(newPage.url); response.statusCode = code; response.close(); //写入返回给.net端的响应内容。 }; }; //让Phantomjs帮助我们去请求页面 page.open(url, function (status) { console.log("----" + status); if (status !== 'success') { code = 400; response.write('4XX'); response.statusCode = code; response.close(); } else { code = 200; window.setTimeout(function (){ //执行JavaScript代码,类似于在浏览器Console中执行JavaScript page.evaluate(function(dom) { console.log(dom); var btnList = document.getElementsByClassName(dom); if(btnList.length > 0){ var btn = document.getElementsByClassName(dom)[1]; // 获取下载按钮 btn.click(); //点击下载按钮,打开新标签页,触发page.onPageCreated回调函数。 } }, dom); }, 7000); } }); //根据Phantomjs的官网,这个回调主要应对执行evaluate函数内部的console.log输出,因为两个环境是隔离的。 page.onConsoleMessage = function(msg, lineNum, sourceId) { console.log("$$$$$" + msg); }; page.onError = function(msg, trace) { var msgStack = ['PHANTOM ERROR: ' + msg]; if (trace && trace.length) { msgStack.push('TRACE:'); trace.forEach(function(t) { msgStack.push(' -> ' + (t.file || t.sourceURL) + ': ' + t.line + (t.function ? ' (in function ' + t.function +')' : '')); }); } console.log(msgStack.join('\n')); phantom.exit(1); }; }); phantom.onError = function(msg, trace) { var msgStack = ['PHANTOM ERROR: ' + msg]; if (trace && trace.length) { msgStack.push('TRACE:'); trace.forEach(function(t) { msgStack.push(' -> ' + (t.file || t.sourceURL) + ': ' + t.line + (t.function ? ' (in function ' + t.function +')' : '')); }); } console.log(msgStack.join('\n')); phantom.exit(1); }; |
这里的注释比较详细,就不细说了。
启动上述Phantomjs服务端的脚本
phantomjs --ssl-protocol=any --debug=true .\server_get_detail_page.js
第一个参数是为了保持ssl的链接,第二个参数开启debug,第三个参数为上面的JavaScript代码。
还有之后的页面类似于以上的代码,但是有一些细节需要注意,完整的源代码就先全放在Github上了。