推荐学习书目 Learn Python the Hard Way Python Sites PyPI - Python Package Index http://diveintopython.org/toc/index.html Pocoo 值得关注的项目 PyPy Celery Jinja2 Read the Docs gevent pyenv virtualenv Stackless Python Beautiful Soup 结巴中文分词 Green Unicorn Sentry Shovel Pyflakes pytest Python 编程 pep8 Checker Styles PEP 8 Google Python Style Guide Code Style from The Hitchhiker's Guide
这是一个创建于 707 天前的主题，其中的信息可能已经有所发展或是发生改变。
Selenium+Python 爬取网站公开数据，遇到网站过滤机制，无法打开。 尝试了网上多种伪装 selenium 方法，均未实现。 https://bot.sannysoft.com/ 全绿也不行，查了资料说是网站判断是 webdriver 的途径和方法很多。
现在大致的想法是：能否控制已手动打开的浏览器，定位到对应的标签页，来实现绕过机器人监测。 或者有其他办法的也可以。
目标网站： https://www.nmpa.gov.cn/datasearch/home-index.html#category=ylqx
备注：公开数据，非商业用途
第 1 条附言 2023-12-26 10:04:26 +08:00
#5 说的 chrome --remote-debugging-port=9222 ，这种方法之前也试了，其他网站可以，NMPA 这个不行。
说是 NMPA 这个网站用了瑞数 6 目前最高级的反爬虫方案
说是 NMPA 这个网站用了瑞数 6 目前最高级的反爬虫方案
第 2 条附言 2023-12-26 10:17:33 +08:00
目前尝试了隐藏 webdriver/remote-debugging-port/stealth.min.js 等多种方案，感觉 Selenium 过不了 NMPA 这个网站的反爬虫机制，就像 6#说的 Selenium 有点力不从心（也有可能我技术应用不行）。
后续的想法是放开 selenium ，试试其他的框架或工具，先试 6#说的 DrissionPage
后续的想法是放开 selenium ，试试其他的框架或工具，先试 6#说的 DrissionPage
第 3 条附言 2023-12-26 11:27:11 +08:00
感谢#6 和#11 的建议，使用 DrissionPage 框架已可正常访问 NMPA
 | 1 wind1986 2023-12-25 14:41:49 +08:00 Puppeteer 能用本机浏览器 |
 | 2 hubaq 2023-12-25 14:47:20 +08:00 药监局用的是定制版的瑞数 |
 | 3 forQ 2023-12-25 14:49:31 +08:00 提前加载 stealth.min.js https://github.com/requireCool/stealth.min.js |
 | 5 peanutBark 2023-12-25 16:05:05 +08:00 能否控制已手动打开的浏览器，定位到对应的标签页 -------能，你搜索一下 chrome.exe --remote-debugging-port=9222 |
 | 6 yaleyu 2023-12-25 16:06:59 +08:00  1 反爬技术日新月异，Selenium 越来越力不从心，试试 drissionpage, https://gitee.com/g1879/DrissionPage |
 | 8 elevioux 2023-12-25 16:50:33 +08:00 写个浏览器扩展？ 虽然不能做到控制浏览器的程度 |
 | 9 jko123 2023-12-25 17:44:30 +08:00 @yaleyu 这个毕竟是个人作品，会出现一些莫名其妙的 bug ，刚开始用的时候确实很惊艳，但是自从几个项目从 selenium 改到 DrissionPage 都出现了莫名的 bug 之后，我就彻底不敢乱用这个自动化框架了 |
 | 0 xyz8899 2023-12-25 18:05:06 +08:00 瑞数 5 代的 cookie 值也有很多种，目前 yao 监局是 neCYtZEjo8GmO ，neCYtZEjo8GmP |
 | 11 jianchang512 2023-12-25 18:34:02 +08:00 直接开启 chrome 开发模型，写个小扩展控制页面抓取和请求过滤，似乎是更可行的方案，可以配合后端发送数据接收指令。 除此外 楼上说的 drissionpage, https://gitee.com/g1879/DrissionPage 也可以试试。 |
 | 13 Laimf 2023-12-25 19:13:14 +08:00 先通过 selenium 把浏览器拉起来，进入目标网站，如果没问题，说明 selenium 没被限制。那么就可以在代码里面加等待时间，进行判断匹配到了就运行逻辑。 |
 | 14 zeusho871 2023-12-25 20:41:40 +08:00 指纹浏览器 |
 | 15 NoOneNoBody 2023-12-25 21:34:19 +08:00 问题应该不在浏览器，在其他地方，例如频率和踩到蜜罐了 我这里就随手拿个 pyqt6 写的 webview 都能打开正常浏览几页 |
| 16 NoOneNoBody 2023-12-25 21:37:51 +08:00 呃，背景有 canvas 动图，可能里面有指纹检测 |
 | 17 llbqwhtxi 2023-12-25 22:04:31 +08:00 chrome.exe --remote-debugging-port=**** --user-data-dir="C:\********" 5 楼说的没错 |
 | 18 cctv6 2023-12-25 22:22:09 +08:00 太巧了，正好最近在写一个工具，就是做这个，还没发布。 主要是利用 chrome 扩展的 API 去控制浏览器，支持新建 tab 、刷新、前进后退等等，还可以给网页注入 JS/CSS 等等。 chrome 插件启动，然后设置服务端的地址后，会使用 websocket 去连接服务端。在服务端可以接收 HTTP 请求，然后通过调用 http 请求，就可以实时控制浏览器做一些操作。 比如 curl http://host/_cat/tabs curl http://host/tabs/open?url=https://xxx.com curl http://host/tabs/_reload?sid=xxx 理论上访问网页和自己用浏览器访问网页是一模一样的，据我所知应该是没有什么特征的。 |
| 19 cctv6 2023-12-25 22:25:49 +08:00 感觉你可以试试上面说的 remote-debugging-port ，这个看上去好像没问题。 |
| 20 yaleyu 2023-12-26 09:26:59 +08:00 @chen2016 嗯，主要是用这个绕开 CF 的人机检查，有的网站 Selenium 实在绕不过，用了 undected-chromdriver 都绕不过。 |
 | 23 whoosy 2023-12-26 10:34:21 +08:00 用 playwright +虚拟显示器 可以看下这个项目 https://github.com/who0sy/crawloop |
 | 24 zhangxh1023 2023-12-26 10:38:48 +08:00 这个网站以前抓过。。。用 puppeteer 失败了，后来用 electron 成功了，只是很不稳定 |
| 26 yaleyu 2023-12-26 13:50:59 +08:00 1 @Belmode 之前都是有头模式在跑，无图形界面的 Linux 下用 xvfb + pyvirtualdisplay 模拟图形界面也能跑，看到这里问无头模式能不能跑，试了一下，能跑，不过有几点注意事项： 1. ua 和实际打开浏览器的 ua 必须一致 2. macOS 下，有头无头都能跑 3. 无图形界面的 Linux - 有头：因为我跑的是有个打开页面后倒计时几秒才能点的按钮，在不用 xvfb + pyvirtualdisplay 的情况下，不能跑，就算显式等待一段时间也点不了那个按钮，用了 xvfb + pyvirtualdisplay 就没问题 4. 无图形界面的 Linux - 无头，我要跑的那个页面，就算是无头并不实际打开浏览器，也得用用 xvfb + pyvirtualdisplay 模拟界面，有点奇怪 from DrissionPage import WebPage, ChromiumOptions co = ChromiumOptions() co.set_headless(True) # ua 和实际打开浏览器的 ua 必须一致，才能通过 Cloudflare, 因为浏览器升级，ua 不固定，先打开百度得到目前的 ua page = WebPage(driver_or_optiOns=co) page.get("https://www.baidu.com") ua = page.user_agent.replace("Headless", "") page.quit() co.set_user_agent(ua) page = WebPage(driver_or_optiOns=co) page.get(你真正要跑的 URL) |
Select Language