用C#+Selenium+ChromeDriver 爬取网页，模拟真实的用户浏览行为

[[381769]]

本文转载自微信公众号「UP技术控」，可以通过以下二维码关注。转载本文请联系UP技术控公众号。

背景

Selenium是一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中，就像真正的用户在操作一样。而对于爬虫来说，使用Selenium操控浏览器来爬取网上的数据那么肯定是爬虫中的杀手武器。这里，我将介绍selenium + 谷歌浏览器的一般使用。

需求

在平常的爬虫开发中，有时候网页是一堆js堆起来的代码，涉及很多异步计算，如果是普通的http 控制台请求，那么得到的源文件是一堆js ，需要自己在去组装数据，很费力;但是采用Selenium+ChromeDriver可以达到所见即所得的完美效果。

实现方式

项目结构：为了方便使用，用的winform程序，附nuget包

以下是form1.cs的代码，这里就只放关键方法代码了。需要安装最新的chrome浏览器+代码中使用的chromedriver是 v2.9.248315

private void crawlingWebFunc() 
        { 
            SetText("\r\n开始尝试..."); 
            List<testfold> surls = new List<testfold>(); 
            string path = System.Environment.CurrentDirectory + "\\图片url\\"; 
            DirectoryInfo root = new DirectoryInfo(path); 
            DirectoryInfo[] dics = root.GetDirectories(); 
            foreach (var itemdic in dics) 
            { 
                string txt = ""; 
                StreamReader sr = new StreamReader(itemdic.FullName + "\\data.txt"); 
                while (!sr.EndOfStream) 
                { 
                    string str = sr.ReadLine(); 
                    txt += str;// + "\n"; 
                } 
                sr.Close(); 
                surls.Add(new testfold() { key = itemdic.FullName, picurl = txt }); 
            } 
 
            ChromeDriverService service = ChromeDriverService.CreateDefaultService(System.Environment.CurrentDirectory); 
            //  service.HideCommandPromptWindow = true; 
 
            ChromeOptions options = new ChromeOptions(); 
            options.AddArguments("--test-type", "--ignore-certificate-errors"); 
            options.AddArgument("enable-automation"); 
            //   options.AddArgument("headless"); 
            //  options.AddArguments("--proxy-server=http://user:password@yourProxyServer.com:8080"); 
 
            using (IWebDriver driver = new OpenQA.Selenium.Chrome.ChromeDriver(service, options, TimeSpan.FromSeconds(120))) 
            { 
                driver.Url = "https://www.1688.com/"; 
                Thread.Sleep(200); 
                try 
                { 
                    int a = 1; 
                    foreach (var itemsurls in surls) 
                    { 
                        SetText("\r\n第" + a.ToString() + "个"); 
                        driver.Navigate().GoToUrl(itemsurls.picurl); 
                        //登录 
                        if (driver.Url.Contains("login.1688.com")) 
                        { 
                            SetText("\r\n需要登录，开始尝试..."); 
                            trylogin(driver); //尝试登录完成 
                                              //再试试 
                            driver.Navigate().GoToUrl("https://s.1688.com/youyuan/index.htm?tab=imageSearch&imageType=oss&imageAddress=cbuimgsearch/eWXC7XHHPN1607529600000&spm="); 
 
                            if (driver.Url.Contains("login.1688.com")) 
                            { 
                                //没办法退出 
                                SetText("\r\n退出，换ip重试..."); 
                                return; 
                            } 
                        } 
 
                        //鼠标放上去的内容因为页面自带只能显示一个的原因 没办法做到全部显示 然后在下载 只能是其他方式下载 
                        //  var elements = document.getElementsByClassName('hover-container'); 
                        //  Array.prototype.forEach.call(elements, function(element) { 
                        //  element.style.display = "block"; 
                        //   console.log(element); 
                        //  }); 
 
                        //   IJavaScriptExecutor js = (IJavaScriptExecutor)driver; 
 
                        //    var sss = js.ExecuteScript(" var elements = document.getElementsByClassName('hover-container');  Array.prototype.forEach.call(elements, function(element) {  console.log(element); element.setAttribute(\"class\", \"测试title\");  element.style.display = \"block\";  console.log(element); });"); 
 
                        Thread.Sleep(500); 
                        var responseModel = Write(itemsurls.key, driver.PageSource, Pagetypeenum.列表); 
                        Thread.Sleep(500); 
                        int i = 1; 
                        foreach (var offer in responseModel?.data?.offerList ?? new List<OfferItemModel>()) 
                        { 
                            driver.Navigate().GoToUrl(offer.information.detailUrl); 
                            string responseDatadetail = driver.PageSource; 
                            Write(itemsurls.key, driver.PageSource, Pagetypeenum.详情); 
                            SetText("\r\n第" + a.ToString() + "-" + i.ToString() + "个"); 
                            Thread.Sleep(500); 
                            i++; 
                        } 
                    } 
                } 
                catch (Exception ex) 
                { 
                    CloseChromeDriver(driver); 
                    throw; 
                } 
            } 
        } 

#region 异常  退出chromedriver 
 
        [DllImport("user32.dll", EntryPoint = "FindWindow")] 
        private extern static IntPtr FindWindow(string lpClassName, string lpWindowName); 
 
        [DllImport("user32.dll", EntryPoint = "SendMessage")] 
        public static extern int SendMessage(IntPtr hWnd, int Msg, int wParam, int lParam); 
 
        public const int SW_HIDE = 0; 
        public const int SW_SHOW = 5; 
 
        [DllImport("user32.dll", EntryPoint = "ShowWindow")] 
        public static extern int ShowWindow(IntPtr hwnd, int nCmdShow); 
 
        /// <summary> 
        /// 获取窗口句柄 
        /// </summary> 
        /// <returns></returns> 
        public IntPtr GetWindowHandle() 
        { 
            string name = (Environment.CurrentDirectory + "\\chromedriver.exe"); 
            IntPtr hwd = FindWindow(null, name); 
            return hwd; 
        } 
 
        /// <summary> 
        /// 关闭chromedriver窗口 
        /// </summary> 
        public void CloseWindow() 
        { 
            try 
            { 
                IntPtr hwd = GetWindowHandle(); 
                SendMessage(hwd, 0x10, 0, 0); 
            } 
            catch { } 
        } 
 
        /// <summary> 
        /// 退出chromedriver 
        /// </summary> 
        /// <param name="driver"></param> 
        public void CloseChromeDriver(IWebDriver driver) 
        { 
            try 
            { 
                driver.Quit(); 
                driver.Dispose(); 
            } 
            catch { } 
            CloseWindow(); 
        } 
 
        #endregion 异常  退出chromedriver 

效果

总结

说一下思路:

1.跳转到指定的网页driver.Navigate().GoToUrl

2.确定数据源，从driver.PageSource读取数据

3.对html数据进行解析