应对反爬:使用Selenium模拟浏览器抓取12306动态旅游产品

在当今数据驱动的时代,网络爬虫已成为获取互联网信息的重要手段。然而,许多网站如12306都实施了严格的反爬虫机制,特别是对于动态加载的内容。本文将详细介绍如何使用Selenium模拟真实浏览器行为,有效绕过这些限制,成功抓取12306旅游产品数据。

12306反爬机制分析

12306作为中国铁路官方售票平台,对其旅游产品数据实施了多层次防护:

  1. 动态内容加载:大量使用JavaScript异步加载数据,传统爬虫无法获取
  2. 验证码系统:复杂图片验证码和滑动验证码阻止自动化访问
  3. 请求头检测:验证User-Agent、Referer等头部信息
  4. 行为分析:检测鼠标移动、点击模式等人类特征
  5. IP限制:频繁请求会导致IP地址被暂时封锁

Selenium技术简介

Selenium是一个自动化Web测试工具,但其浏览器自动化能力使其成为应对反爬策略的利器:

  • 真实浏览器环境:完全模拟用户操作,生成合法流量模式
  • JavaScript执行:能够处理动态加载内容
  • 元素交互:可以模拟点击、输入等用户行为
  • 跨平台支持:支持Chrome、Firefox、Edge等主流浏览器

环境准备与配置

所需工具和库安装

首先确保安装以下Python库:

bash

pip install selenium beautifulsoup4 pandas webdriver-manager

WebDriver管理

Selenium需要对应浏览器的驱动程序。推荐使用webdriver-manager自动管理驱动:

plain 复制代码
from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from webdriver_manager.chrome import ChromeDriverManager
from selenium.webdriver.chrome.options import Options

def setup_driver():
    chrome_options = Options()
    chrome_options.add_argument('--no-sandbox')
    chrome_options.add_argument('--disable-dev-shm-usage')
    chrome_options.add_argument('--disable-blink-features=AutomationControlled')
    chrome_options.add_experimental_option("excludeSwitches", ["enable-automation"])
    chrome_options.add_experimental_option('useAutomationExtension', False)
    chrome_options.add_argument('--start-maximized')  # 最大化窗口
    
    # 使用webdriver-manager自动下载和管理ChromeDriver
    service = Service(ChromeDriverManager().install())
    driver = webdriver.Chrome(service=service, options=chrome_options)
    
    # 执行CDP命令隐藏WebDriver特征
    driver.execute_script("Object.defineProperty(navigator, 'webdriver', {get: () => undefined})")
    driver.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {
        'source': '''
            Object.defineProperty(navigator, 'webdriver', {
                get: () => undefined
            })
        '''
    })
    
    return driver

爬虫设计与实现

页面分析与等待策略

12306旅游产品页面(https://kyfw.12306.cn/otn/product/index.html)采用动态加载方式,需要合理设置等待时间:

plain 复制代码
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import time

def wait_for_element(driver, by, value, timeout=10):
    """等待元素出现"""
    try:
        element = WebDriverWait(driver, timeout).until(
            EC.presence_of_element_located((by, value))
        )
        return element
    except Exception as e:
        print(f"元素加载超时: {value}")
        return None

def slow_scroll(driver, scroll_pause_time=0.5):
    """模拟人类缓慢滚动页面"""
    last_height = driver.execute_script("return document.body.scrollHeight")
    
    while True:
        # 随机滚动距离,模拟人类行为
        scroll_height = random.randint(300, 800)
        driver.execute_script(f"window.scrollBy(0, {scroll_height});")
        time.sleep(scroll_pause_time)
        
        new_height = driver.execute_script("return document.body.scrollHeight")
        if new_height == last_height:
            break
        last_height = new_height

处理验证码挑战

当遇到验证码时,我们需要人工干预或使用OCR服务:

plain 复制代码
def handle_verification(driver):
    """处理验证码挑战"""
    try:
        # 检查是否有验证码出现
        captcha_element = wait_for_element(driver, By.ID, "code", timeout=5)
        if captcha_element:
            print("验证码出现,请手动解决...")
            # 暂停程序,等待用户手动处理验证码
            input("解决验证码后按回车键继续...")
            return True
    except:
        pass
    return False

数据提取实现

提取旅游产品信息的完整实现:

plain 复制代码
from bs4 import BeautifulSoup
import pandas as pd
import re

def extract_tour_products(driver):
    """提取旅游产品信息"""
    # 等待产品列表加载
    wait_for_element(driver, By.CLASS_NAME, "product-list", timeout=15)
    
    # 缓慢滚动加载所有内容
    slow_scroll(driver)
    
    # 获取页面源码并使用BeautifulSoup解析
    page_source = driver.page_source
    soup = BeautifulSoup(page_source, 'html.parser')
    
    products = []
    product_items = soup.find_all('div', class_='product-item')
    
    for item in product_items:
        try:
            # 提取产品名称
            name_elem = item.find('div', class_='product-name')
            name = name_elem.text.strip() if name_elem else "未知产品"
            
            # 提取价格信息
            price_elem = item.find('div', class_='product-price')
            price_text = price_elem.text.strip() if price_elem else "0"
            price = re.search(r'(\d+)', price_text.replace(',', ''))
            price = int(price.group(1)) if price else 0
            
            # 提取出发地/目的地
            route_elem = item.find('div', class_='product-route')
            route = route_elem.text.strip() if route_elem else ""
            
            # 提取产品详情链接
            link_elem = item.find('a', href=True)
            link = "https://kyfw.12306.cn" + link_elem['href'] if link_elem else ""
            
            # 提取产品图片
            img_elem = item.find('img', src=True)
            img_url = img_elem['src'] if img_elem else ""
            
            products.append({
                'name': name,
                'price': price,
                'route': route,
                'link': link,
                'image_url': img_url,
                'crawled_time': pd.Timestamp.now()
            })
            
        except Exception as e:
            print(f"提取产品信息时出错: {e}")
            continue
    
    return products

完整爬虫流程

整合以上功能的完整实现:

plain 复制代码
import random
import json
from datetime import datetime
import time
import pandas as pd
from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.chrome.options import Options
from webdriver_manager.chrome import ChromeDriverManager
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from bs4 import BeautifulSoup
import re

# 代理信息
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "16QMSOML"
proxyPass = "280651"

def get_proxy_url():
    """生成带认证的代理URL"""
    return f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"

def setup_driver():
    """设置带代理的浏览器实例"""
    chrome_options = Options()
    
    # 添加代理服务器配置(带认证)
    proxy_url = get_proxy_url()
    chrome_options.add_argument(f'--proxy-server={proxy_url}')
    
    # 其他配置
    chrome_options.add_argument('--no-sandbox')
    chrome_options.add_argument('--disable-dev-shm-usage')
    chrome_options.add_argument('--disable-blink-features=AutomationControlled')
    chrome_options.add_experimental_option("excludeSwitches", ["enable-automation"])
    chrome_options.add_experimental_option('useAutomationExtension', False)
    chrome_options.add_argument('--start-maximized')
    
    # 使用webdriver-manager自动下载和管理ChromeDriver
    service = Service(ChromeDriverManager().install())
    driver = webdriver.Chrome(service=service, options=chrome_options)
    
    # 执行CDP命令隐藏WebDriver特征
    driver.execute_script("Object.defineProperty(navigator, 'webdriver', {get: () => undefined})")
    driver.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {
        'source': '''
            Object.defineProperty(navigator, 'webdriver', {
                get: () => undefined
            })
        '''
    })
    
    return driver

def wait_for_element(driver, by, value, timeout=10):
    """等待元素出现"""
    try:
        element = WebDriverWait(driver, timeout).until(
            EC.presence_of_element_located((by, value))
        )
        return element
    except Exception as e:
        print(f"元素加载超时: {value}")
        return None

def slow_scroll(driver, scroll_pause_time=0.5):
    """模拟人类缓慢滚动页面"""
    last_height = driver.execute_script("return document.body.scrollHeight")
    
    while True:
        # 随机滚动距离,模拟人类行为
        scroll_height = random.randint(300, 800)
        driver.execute_script(f"window.scrollBy(0, {scroll_height});")
        time.sleep(scroll_pause_time)
        
        new_height = driver.execute_script("return document.body.scrollHeight")
        if new_height == last_height:
            break
        last_height = new_height

def handle_verification(driver):
    """处理验证码挑战"""
    try:
        # 检查是否有验证码出现
        captcha_element = wait_for_element(driver, By.ID, "code", timeout=5)
        if captcha_element:
            print("验证码出现,请手动解决...")
            # 暂停程序,等待用户手动处理验证码
            input("解决验证码后按回车键继续...")
            return True
    except:
        pass
    return False

def extract_tour_products(driver):
    """提取旅游产品信息"""
    # 等待产品列表加载
    wait_for_element(driver, By.CLASS_NAME, "product-list", timeout=15)
    
    # 缓慢滚动加载所有内容
    slow_scroll(driver)
    
    # 获取页面源码并使用BeautifulSoup解析
    page_source = driver.page_source
    soup = BeautifulSoup(page_source, 'html.parser')
    
    products = []
    product_items = soup.find_all('div', class_='product-item')
    
    for item in product_items:
        try:
            # 提取产品名称
            name_elem = item.find('div', class_='product-name')
            name = name_elem.text.strip() if name_elem else "未知产品"
            
            # 提取价格信息
            price_elem = item.find('div', class_='product-price')
            price_text = price_elem.text.strip() if price_elem else "0"
            price = re.search(r'(\d+)', price_text.replace(',', ''))
            price = int(price.group(1)) if price else 0
            
            # 提取出发地/目的地
            route_elem = item.find('div', class_='product-route')
            route = route_elem.text.strip() if route_elem else ""
            
            # 提取产品详情链接
            link_elem = item.find('a', href=True)
            link = "https://kyfw.12306.cn" + link_elem['href'] if link_elem else ""
            
            # 提取产品图片
            img_elem = item.find('img', src=True)
            img_url = img_elem['src'] if img_elem else ""
            
            products.append({
                'name': name,
                'price': price,
                'route': route,
                'link': link,
                'image_url': img_url,
                'crawled_time': pd.Timestamp.now()
            })
            
        except Exception as e:
            print(f"提取产品信息时出错: {e}")
            continue
    
    return products

def crawl_12306_tours():
    """爬取12306旅游产品的完整流程"""
    print("启动浏览器(使用代理服务器)...")
    print(f"代理服务器: {proxyHost}:{proxyPort}")
    
    driver = setup_driver()
    
    try:
        # 访问12306旅游产品页面
        print("访问12306旅游产品页面...")
        driver.get("https://kyfw.12306.cn/otn/product/index.html")
        
        # 等待页面加载
        time.sleep(3)
        
        # 检查并处理验证码
        if handle_verification(driver):
            # 验证码处理后重新等待页面加载
            time.sleep(3)
        
        # 提取产品信息
        print("正在提取旅游产品信息...")
        products = extract_tour_products(driver)
        
        # 保存数据
        if products:
            df = pd.DataFrame(products)
            timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
            filename = f"12306_tours_{timestamp}.csv"
            df.to_csv(filename, index=False, encoding='utf-8-sig')
            print(f"成功提取 {len(products)} 个旅游产品,已保存到 {filename}")
            
            # 同时保存JSON格式
            json_filename = f"12306_tours_{timestamp}.json"
            with open(json_filename, 'w', encoding='utf-8') as f:
                json.dump(products, f, ensure_ascii=False, indent=2)
            print(f"JSON数据已保存到 {json_filename}")
        else:
            print("未找到旅游产品信息")
            
        return products
        
    except Exception as e:
        print(f"爬取过程中发生错误: {e}")
        return []
    
    finally:
        # 关闭浏览器
        driver.quit()
        print("浏览器已关闭")

# 执行爬虫
if __name__ == "__main__":
    crawl_12306_tours()

道德与法律考量

在使用Selenium爬取12306数据时,必须注意以下道德和法律问题:

  1. 遵守robots.txt:检查目标网站的爬虫政策
  2. 控制请求频率:避免对服务器造成过大压力
  3. 数据使用限制:仅将数据用于个人学习和研究目的
  4. 用户隐私保护:不收集、存储或分享任何用户个人信息
  5. 版权尊重:遵守12306网站上内容的版权声明
相关推荐
pingao1413789 小时前
景区负氧离子气象站:引领绿色旅游,畅吸清新每一刻
大数据·人工智能·旅游
程序员的世界你不懂19 小时前
【框架】基于selenium+java框架设计(0-1实战)
java·selenium·servlet
程序员小远1 天前
基于jmeter+perfmon的稳定性测试记录
自动化测试·软件测试·python·测试工具·jmeter·职场和发展·测试用例
文人sec1 天前
性能测试-jmeter9-直连数据库
数据库·测试工具·jmeter
aiden:)1 天前
Selenium WebUI 自动化“避坑”指南——从常用 API 到 10 大高频问题
开发语言·前端·javascript·python·selenium
码界筑梦坊2 天前
278-基于Django的协同过滤旅游推荐系统
python·数据分析·django·毕业设计·旅游
AiPy_极客团长2 天前
用AI做旅游攻略,真能比人肉整理靠谱?
旅游
慧都小项2 天前
构建安全的自动驾驶:软件测试中的编码规范与AI验证
人工智能·测试工具·安全·自动驾驶·parasoft