CSS位置偏移反爬案例分析与爬取实战

1. 案例

案例网址：https://antispider3.scrape.cener/，页面如下图所示：

尝试用Selenium获取首页的页面源代码，并解析每个标题的内容：

from selenium import webdriver
from pyquery import PyQuery as pq
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.chrome.service import Service

options = webdriver.ChromeOptions()
services = Service('../Selenium/chromedriver')

browser = webdriver.Chrome(service=services, options=options)
browser.get('<https://antispider3.scrape.center/>')
WebDriverWait(browser, 10).until(EC.presence_of_all_elements_located((By.CSS_SELECTOR, '.item')))

html = browser.page_source
doc = pq(html)
names = doc('.item .name')
for name in names.items():
    print(name.text())
browser.close()

运行结果如下：

Wonder
清 白 家 风
篇 法 妃 老 的 上 宠 终 册 ） （ 结 下
士 为 己 ） 二 册 知 全 （
， 些 年 们 一 孩 我 的 那 起 女 追
非 我 倾 城 （ 全 三 册 ）
朝 事 儿 明 些 那
的 你 忘 和 书 笑 我
全 第 波 集 小 一 卷 王
怦 然 动 心
龙枪编年史（全3册）
龙 枪 册 全 奇 （ ） 三 传
黎 明 之 街
其 知 认 理 学 心 示 启 及
银河帝国2：基地与帝国
银 河 帝 国 ： 基 地
级 下 材 全 教 学 - 年 解 语 文 四 小
越界言论（第3卷）

结果中很多标题的文字顺序是乱的，例如《明朝那些事儿》对应的输出结果是“朝事儿明些那”，这是怎么回事？

1. 排查

我们去浏览器里面研究一下源代码，如图所示：

发现一个字对应一个span节点，这个节点本身的顺序也是乱的，所以用pyquery提取出来的标题内容乱序就不足为怪了。

源代码中的文字本身是乱的，那为什么在网页上看到的标题是正确的？这是因为网页本身利用CSS控制了文字的偏移位置，什么意思呢？观察下源代码：

<h3 data-v-7f1a77ef="" class="m-b-sm name">
<span data-v-7f1a77ef="" class="char" style="left: 80px;">
                      儿
               </span>
<span data-v-7f1a77ef="" class="char" style="left: 16px;">
                      朝
                    </span>
<span data-v-7f1a77ef="" class="char" style="left: 0px;">
                      明
                    </span>
<span data-v-7f1a77ef="" class="char" style="left: 48px;">
                      些
                    </span>
<span data-v-7f1a77ef="" class="char" style="left: 32px;">
                      那
                    </span>
<span data-v-7f1a77ef="" class="char" style="left: 64px;">
                      事
                    </span>
  </h3>

可以发现，每个span节点都有一个style属性，表示CSS样式，left的取值各不相同。另外，在浏览器中观察一下每个span节点的完整样式，如图所示：

span节点还有两个额外的样式，是display: inline-block和position:absolute，或者比较重要，代表绝对定位，设置这个样式后，就可以通过修改left的值控制span节点在页面中的偏移位置了，例如left:0px代表不偏移；left:16px代表从左边算起向右偏移16像素，于是节点就到了右边。源代码中，“明”子的偏移量是0，“朝”字的偏移量是16像素，“那”字的偏移量是32像素，依此类推，最终标题的视觉效果就变成了“明朝那些事儿”。

1. 爬取

了解了基本原理后，只需要获取每个span节点的style属性，提取出偏移值，然后排序就可以得到最终结果了。先实现基本的提取方法：

from selenium import webdriver
from pyquery import PyQuery as pq
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.chrome.service import Service
import re

def parse_name(name_html):
    chars = name_html('.char')
    items = []
    for char in chars.items():
        items.append({
            'text': char.text().strip(),
            'left': int(re.search('(\\d+)px', char.attr('style')).group(1))
        })
    items = sorted(items, key=lambda x:x['left'], reverse=False)
    return ''.join([item.get('text') for item in items])

options = webdriver.ChromeOptions()
services = Service('../chromedriver')

browser = webdriver.Chrome(service=services, options=options)
browser.get('<https://antisipder3.scrape.center/>')
WebDriverWait(browser, 10).until(EC.presence_of_all_elements_located((By.CSS_SELECTOR, '.item')))
html = browser.page_source
doc = pq(html)
names = doc('.item .name')
for name_html in names.items():
    name = parse_name(name_html)
    print(name)
browser.close()

这里定义了一个parse_name方法，用来解析页面源代码得到最终的标题。它接收一个参数name_html，就是标题的HTML文本，类似这样：

<h3 data-v-7f1a77ef="" class="m-b-sm name">
<span data-v-7f1a77ef="" class="char" style="left: 80px;">
                      儿
               </span>
<span data-v-7f1a77ef="" class="char" style="left: 16px;">
                      朝
                    </span>
<span data-v-7f1a77ef="" class="char" style="left: 0px;">
                      明
                    </span>
<span data-v-7f1a77ef="" class="char" style="left: 48px;">
                      些
                    </span>
<span data-v-7f1a77ef="" class="char" style="left: 32px;">
                      那
                    </span>
<span data-v-7f1a77ef="" class="char" style="left: 64px;">
                      事
                    </span>
  </h3>

在parse_name方法中，我们首先选取.char节点，将其赋值为chars变量，然后遍历chars变量，其中每个条目各自对应一个span节点，其内容类似于：

<span data-v-7f1a77ef="" class="char" style="left: 16px">朝</span>

在parse_name方法中，我们首先选取.char节点，将其赋值为chars变量，然后遍历chars变量， 其中每个条目各自对应一个span节点，其内容类似于：

<span data-v-7f1a77ef="" class="char" style="left: 16px">朝</span>

遍历过程中，提取了span节点的文本内容作为字典的text属性，还提取了style属性的内容，例如这里提取的是16px，并用正则表达式提取了其中的数值，这里是16，将其赋值为字典的left属性。

遍历结束后，items的结果类似下面这样：

[{'text': '些', 'left': 48}, {'text': '事', 'left': 64}, {'text': '儿', 'left': 80}, {'text': '那', 'left': 32}, {'text': '朝', 'left': 16}, {'text': '明', 'left': 0}]

面对这样的结果，怎么排序呢？直接调用sorted方法就行，它有两个参数，一个是key，用来指定根据什么排序，这里我们直接使用lambda表达式提取span节点的left属性，所以最终结果是根据left的值排序而得；另一个参数是reverse，用来指定排序方式，此处将其设置为False，表示从小到大排序。排序完的items变成了这样：

[{'text': '明', 'left': 0}, {'text': '朝', 'left': 16}, {'text': '那', 'left': 32}, {'text': '些', 'left': 48}, {'text': '事', 'left': 64}, {'text': '儿', 'left': 80}]

最后将其中的text值提取出来并拼接，就得到了最终结果：

清白家风
法老的宠妃终结篇（上下册）
士为知己（全二册）
那些年，我们一起追的女孩
非我倾城（全三册）
明朝那些事儿
我和你的笑忘书
王小波全集第一卷
怦然心动

龙枪传奇（全三册）
黎明之街
认知心理学及其启示

银河帝国：基地
小学教材全解-四年级语文下

更多体验可以在小蜜蜂AI获取，网址：https://zglg.work