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：
模擬登入
#開啟指數頁面
滑鼠移動到指定日期
等待請求結束，截取數值部分的圖片
#圖片辨識得到值
- ##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：
puppeteer 模擬瀏覽器操作
node-tesseract tesseract的封裝，用來做圖像辨識
#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
登入後複製
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
登入後複製
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' });登入後複製
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');登入後複製
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
}
});登入後複製
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);登入後複製
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);登入後複製
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;
}
}登入後複製
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！
