Node Puppeteer图像识别实现百度指数爬虫的示例

之前看过一篇脑洞大开的文章，介绍了各个大厂的前端反爬虫技巧，但也正如此文所说，没有100%的反爬虫方法，本文介绍一种简单的方法，来绕过所有这些前端反爬虫手段。

下面的代码以百度指数为例，代码已经封装成一个百度指数爬虫node库： https://github.com/coffcer/baidu-index-spider

note: 请勿滥用爬虫给他人添麻烦

百度指数的反爬虫策略

观察百度指数的界面，指数数据是一个趋势图，当鼠标悬浮在某一天的时候，会触发两个请求，将结果显示在悬浮框里面：

按照常规思路，我们先看下这个请求的内容：

请求 1：

 

 

请求 2：

可以发现，百度指数实际上在前端做了一定的反爬虫策略。当鼠标移动到图表上时，会触发两个请求，一个请求返回一段html，一个请求返回一张生成的图片。html中并不包含实际数值，而是通过设置width和margin-left，来显示图片上的对应字符。并且请求参数上带有res、res1这种我们不知如何模拟的参数，所以用常规的模拟请求或者html爬取的方式，都很难爬到百度指数的数据。

爬虫思路

怎么突破百度这种反爬虫方法呢，其实也很简单，就是完全不去管他是如何反爬虫的。我们只需模拟用户操作，将需要的数值截图下来，做图像识别就行。步骤大概是：

1. 模拟登录
2. 打开指数页面
3. 鼠标移动到指定日期
4. 等待请求结束，截取数值部分的图片
5. 图像识别得到值
6. 循环第3～5步，就得到每一个日期对应的值

这种方法理论上能爬任何网站的内容，接下来我们来一步步实现爬虫，下面会用到的库：

1. puppeteer 模拟浏览器操作
2. node-tesseract tesseract的封装，用来做图像识别
3. jimp 图片裁剪

安装puppeteer, 模拟用户操作

puppeteer是google chrome团队出品的chrome自动化工具，用来控制chrome执行命令。可以模拟用户操作，做自动化测试、爬虫等。用法非常简单，网上有不少入门教程，顺着本文看完也大概可以知道如何使用。

api文档: https://github.com/googlechrome/puppeteer/blob/master/docs/api.md

安装：

npm install --save puppeteer

puppeteer在安装时会自动下载chromium，以确保可以正常运行。但是国内网络不一定能成功下载chromium，如果下载失败，可以使用cnpm来安装，或者将下载地址改成淘宝的镜像，然后再安装：

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

你也可以在安装时跳过chromium下载，通过代码指定本机chrome路径来运行：

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

// node
puppeteer.launch({ executablepath: '/path/to/chrome' });

实现

为版面整洁，下面只列出了主要部分，代码涉及到selector的部分都用了...代替，完整代码参看文章顶部的github仓库。

打开百度指数页面，模拟登录

这里做的就是模拟用户操作，一步步点击和输入。没有处理登录验证码的情况，处理验证码又是另一个话题了，如果你在本机登录过百度，一般不需要验证码。

// 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');

模拟移动鼠标，获取需要的数据

需要将页面滚动到趋势图的区域，然后移动鼠标到某个日期上，等待请求结束，tooltip显示数值，再截图保存图片。

// 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
 }
});

截图

计算数值的坐标，截图并用jimp对裁剪图片。

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);

图像识别

这里我们用tesseract来做图像识别，tesseracts是google开源的一款ocr工具，用来识别图片中的文字，并且可以通过训练提高准确率。github上已经有一个简单的node封装： node-tesseract ，需要你先安装tesseract并设置到环境变量。

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。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。