使用Puppeteer影像辨識技術如何實現百度指數爬蟲

本篇文章主要介紹了Node Puppeteer圖像辨識實現百度指數爬蟲的範例，小編覺得挺不錯的，現在分享給大家，也給大家做個參考。一起跟著小編過來看看吧

之前看過一篇腦洞大開的文章，介紹了各個大廠的前端反爬蟲技巧，但也正如此文所說，沒有100%的反爬蟲方法，本文介紹一種簡單的方法，來繞過所有這些前端反爬蟲手段。

下面的程式碼以百度指數為例，程式碼已經封裝成一個百度指數爬蟲node庫：https://github.com/Coffcer/baidu-index-spider

# note: 請勿濫用爬蟲給他人添麻煩

百度指數的反爬蟲策略

觀察百度指數的介面，指數資料是趨勢圖，當滑鼠懸浮在某一天的時候，會觸發兩個請求，將結果顯示在懸浮框裡面：

#按照常規思路，我們先看下這個請求的內容：

請求1：

 

 

請求2：

可以發現，百度指數其實在前端做了一定的反爬蟲策略。當滑鼠移動到圖表上時，會觸發兩個請求，一個請求傳回一段html，一個請求傳回一張產生的圖片。 html中並不包含實際數值，而是透過設定width和margin-left，來顯示圖片上的對應字元。而且請求參數上帶有res、res1這種我們不知如何模擬的參數，所以用常規的模擬請求或html爬取的方式，都很難爬到百度指數的資料。

爬蟲思路

怎麼突破百度這種反爬蟲方法呢，其實也很簡單，就是完全不去管他是如何反爬蟲的。我們只需模擬使用者操作，將需要的數值截圖下來，做圖像辨識就行。步驟大概是：

1. 模擬登入

2. #開啟指數頁面

3. 滑鼠移動到指定日期

4. 等待請求結束，截取數值部分的圖片

5. #圖片辨識得到值

6. ##循環第3～5步，就得到每一個日期對應的值

這種方法理論上能爬任何網站的內容，接下來我們來一步步實現爬蟲，下面會用到的函式庫：

1. puppeteer 模擬瀏覽器操作

2. node-tesseract tesseract的封裝，用來做圖像辨識

3. #jimp 圖片裁切

安裝Puppeteer, 模擬使用者操作

Puppeteer是Google Chrome團隊出品的Chrome自動化工具，用來控制Chrome執行指令。可以模擬使用者操作，做自動化測試、爬蟲等。用法非常簡單，網路上有不少入門教程，順著本文看完也大概可以知道如何使用。

API文件: https://github.com/GoogleChrome/puppeteer/blob/master/docs/api.md

安裝：

npm install --save puppeteer

Puppeteer在安裝時會自動下載Chromium，以確保可以正常運作。但國內網路不一定能成功下載Chromium，如果下載失敗，可以使用cnpm來安裝，或是將下載位址改為淘寶的鏡像，然後再安裝：

npm config set PUPPETEER_DOWNLOAD_HOST=https://npm.taobao.org/mirrors
npm install --save puppeteer

你也可以在安裝時跳過Chromium下載，透過程式碼指定本機Chrome路徑來運行：

// npm
npm install --save puppeteer --ignore-scripts

// node
puppeteer.launch({ executablePath: '/path/to/Chrome' });

實作

為版面整潔，下面只列出了主要部分，程式碼涉及selector的部分都用了...代替，完整程式碼參考文章頂部的github倉庫。

開啟百度指數頁面，模擬登入

這裡做的就是模擬使用者操作，一步步點選並輸入。沒有處理登入驗證碼的情況，處理驗證碼又是另一個話題了，如果你在本機登入過百度，一般不需要驗證碼。

// 启动浏览器，
// headless参数如果设置为true，Puppeteer将在后台操作你Chromium，换言之你将看不到浏览器的操作过程
// 设为false则相反，会在你电脑上打开浏览器，显示浏览器每一操作。
const browser = await puppeteer.launch({headless:false});
const page = await browser.newPage();

// 打开百度指数
await page.goto(BAIDU_INDEX_URL);

// 模拟登陆
await page.click('...');
await page.waitForSelecto('...');
// 输入百度账号密码然后登录
await page.type('...','username');
await page.type('...','password');
await page.click('...');
await page.waitForNavigation();
console.log(':white_check_mark: 登录成功');

模擬移動滑鼠，取得所需的資料

需要將頁面捲動到趨勢圖的區域，然後移動滑鼠到某個日期上，等待請求結束， tooltip顯示數值，再截圖儲存圖片。

// 获取chart第一天的坐标
const position = await page.evaluate(() => {
 const $image = document.querySelector('...');
 const $area = document.querySelector('...');
 const areaRect = $area.getBoundingClientRect();
 const imageRect = $image.getBoundingClientRect();

 // 滚动到图表可视化区域
 window.scrollBy(0, areaRect.top);

 return { x: imageRect.x, y: 200 }；
});

// 移动鼠标，触发tooltip
await page.mouse.move(position.x, position.y);
await page.waitForSelector('...');

// 获取tooltip信息
const tooltipInfo = await page.evaluate(() => {
 const $tooltip = document.querySelector('...');
 const $title = $tooltip.querySelector('...');
 const $value = $tooltip.querySelector('...');
 const valueRect = $value.getBoundingClientRect();
 const padding = 5;

 return {
 title: $title.textContent.split(' ')[0],
 x: valueRect.x - padding,
 y: valueRect.y,
 width: valueRect.width + padding * 2,
 height: valueRect.height
 }
});

截圖

計算數值的座標，截圖並用jimp對裁切圖片。

await page.screenshot({ path: imgPath });

// 对图片进行裁剪，只保留数字部分
const img = await jimp.read(imgPath);
await img.crop(tooltipInfo.x, tooltipInfo.y, tooltipInfo.width, tooltipInfo.height);
// 将图片放大一些，识别准确率会有提升
await img.scale(5);
await img.write(imgPath);

圖像識別

這裡我們用Tesseract來做圖像識別，Tesseracts是Google開源的一款OCR工具，用來識別圖片中的文字，並且可以透過訓練提高準確率。 github上已經有一個簡單的node封裝： node-tesseract ，需要你先安裝Tesseract並設定到環境變數。

Tesseract.process(imgPath, (err, val) => {
if (err || val == null) {
 console.error(':x: 识别失败：' + imgPath);
 return;
}
console.log(val);

实际上未经训练的Tesseracts识别起来会有少数几个错误，比如把9开头的数字识别成`3，这里需要通过训练去提升Tesseracts的准确率，如果识别过程出现的问题都是一样的，也可以简单通过正则去修复这些问题。

封装

实现了以上几点后，只需组合起来就可以封装成一个百度指数爬虫node库。当然还有许多优化的方法，比如批量爬取，指定天数爬取等，只要在这个基础上实现都不难了。

const recognition = require('./src/recognition');
const Spider = require('./src/spider');

module.exports = {
 async run (word, options, puppeteerOptions = { headless: true }) {
 const spider = new Spider({ 
 imgDir, 
 ...options 
 }, puppeteerOptions);

 // 抓取数据
 await spider.run(word);

 // 读取抓取到的截图，做图像识别
 const wordDir = path.resolve(imgDir, word);
 const imgNames = fs.readdirSync(wordDir);
 const result = [];

 imgNames = imgNames.filter(item => path.extname(item) === '.png');

 for (let i = 0; i < imgNames.length; i++) {
 const imgPath = path.resolve(wordDir, imgNames[i]);
 const val = await recognition.run(imgPath);
 result.push(val);
 }

 return result;
 }
}

反爬虫

最后，如何抵挡这种爬虫呢，个人认为通过判断鼠标移动轨迹可能是一种方法。当然前端没有100%的反爬虫手段，我们能做的只是给爬虫增加一点难度。

上面是我整理给大家的，希望今后会对大家有帮助。

相关文章：

在Node.js中使用cheerio制作简单的网页爬虫（详细教程）

在vue中如何实现父组件向子组件传递多个数据

在React中使用Native如何实现自定义下拉刷新上拉加载的列表

以上是使用Puppeteer影像辨識技術如何實現百度指數爬蟲的詳細內容。更多資訊請關注PHP中文網其他相關文章！