反反爬虫之--爬取大众点评--店铺名称、详址、经纬度、评价人数、平均消费等信息_怎么爬大众点评的店铺信息

every blog every motto: Let’s be loyal to our ideals, let’s face reality-Chegwara

前言：
知难不难！
折腾了几天爬取大众点评的数据，在这顺便总结一下，重新整理一下思路。希望能帮助那个此时正在奋斗的你，你并不是一个人在战斗！
环境： python3.7 + ubuntu16.04(window也可以）
库： requests、正则表达式等
所需知识： python基础语法、requests、正则
状态： 本博文已基本完善，不出意外，后续不再更新 。2019.4.14.15:28

正文

一、文字阐述

现在大众点评采取了css反爬机制，爬取难度越来越大。目前只有店铺名是明文（如图一） ·---------------------------------------------------------------图一
像详细地址等信息都是加密（如图二），如果直接爬取，我们会发现爬取的信息都是缺胳膊断腿的。比如，“广”字，它是被span标签所替代了。当我们点击span的标签会发现一个url(如图二3）以及一个坐标（如图二4）这都是我们解密的关键！
---------------------------------------------------------图二
戏说解密 ：我们知道一个网页是由无数个“块”组成，那大众点评又是如何隐藏信息的呢？目前大众点评是采取css反爬机制。比如一面“墙”（网页）挖了一个小洞（洞的大小刚好能显示一个字），在“墙”的后面有一张纸（上面有一些字），通过坐标（图二4）来移动纸张，使得想要的“字”出现在洞口，从而能在网页上能正常显示。（如图三）
------------------------------------------------------------图三
通过“戏说”，我们知道第一步应该获取“那张纸”（图二中的3，background-iamge），而background-image应该是css样式，保存在css中。我们打开网页源代码（谷歌浏览器，右击，倒数第二就是），如图四（注意是以.css结尾）
--------------------------------------------------------图四
点开css链接（如图五），我们发现有“4张纸”（4个svg_link,此处可按ctrl+F,输入background-image查看）
------------------------------------------------------------图五

二、代码

（为方便理解，实参和形参基本同名。此文仅展现详细地址提取，其余信息请查阅源码【结尾附】）

0.主程序

def main():
    ############################-------获取地址-----------#########################################
    url = 'http://www.dianping.com/beijing/ch10/g311p{}'.format(num)
    # 1.1 获取css样式文件
    html_origin, html_css = get_css_link(url)

    # 1.2　获取地址的前两个字母 地址的class=addr,传入addr
    front_two_alp_addr = get_front_two_alp(html_origin, class_name='addr')

    # 1.3 获取地址对应的svg链接
    addr_svg_link = get_svg_link(html_css, front_two_alp_addr)

    # 2. 获取html_css有关地址的（background,x,y)
    font_css = get_font_css(html_css, front_two_alp_addr)

    # 3.2 获取css样式对应的地址字典文件  //第二种加密方法－new－无M0
    font_list = get_font_dict_by_offset_new(addr_svg_link, font_css)

    # 4. 获取地址　　/** 这里有一个地址字典后续要用
    addr_font = get_result_font(html_origin, font_list, head_span_class_name='addr')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

1.提取css_link(css链接）

# 1.1 获得css样式的链接
def get_css_link(url):
    ''' 获取css链接 '''
    print('--->start-1.1-get_css_link--------------------------')
    # 获取网页源码
    html_origin = requests.get(url, headers=headers).text
    # 正则表达式匹配css链接
    css_link = re.search('<link rel="stylesheet" type="text/css" href="(//s3plus.meituan.net.*?.css)">', html_origin,
                         re.S)
    # print(css_link.group(1))
    css_link = 'http:' + css_link.group(1)
    html_css = requests.get(css_link, headers=headers).text

    print('==================================1.1>>>over!')
    # 返回网页源码和css_link
    return html_origin, html_css
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

2.提取svg_link

(即background_image后面的链接）
注：因为不只详细地址采用了这种方式，所以才会如前所述有4个svg_link.所以我们要先提取详细地址的部分class_name（图二5）（有时候是前三个字母一样，有时候是前两个字母一样）,通过这前几个字母不仅能提取对应的svg_link，还能筛选想要的css(图五，此处接下第三步）

2.1提取前面字母

# 1.2 获取前两个字母
def get_front_two_alp(html_origin, class_name):
    '''获取地址的隐藏字体的class_name　前三个字母'''
    print('--->start-1.2-get_front_two_alp----------------')
    # 通过一级span的class_name,取出其子标签的class_name前三个字母

    front_three_alp = re.search('<span class="' + class_name + '">.*?<span class="(\w\w).*?"></span>', html_origin,
                                re.S)
    # print('打印地址的前两个字母')
    # print(front_alp_addr.group(1))
    print('==================================1.2>>>over!')
    # 返回地址的class_name的前三个字母

    return front_three_alp.group(1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

2.2提取svg_link

# 1.3 获取svg_link
def get_svg_link(html_css, front_two_alp_addr):
    # 获取的svg链接
    print('--->start-1.3-get_svg_link--------------------------')
    alp = front_two_alp_addr
    # print(alp)
    background_image_link = re.search(alp + '"]{.*?background-image: url\((//.*?svg)\)', html_css)
    # print(background_image_link.group(1))
    background_image_link = 'http:' + background_image_link.group(1)
    print('==================================1.3>>>over!')

    return background_image_link  # 地址对应此链接
1
2
3
4
5
6
7
8
9
10
11
12

3.筛选有关地址的css,(background,x,y)

# 2. 筛选有关地址的css,(background,x,y)
def get_font_css(html_css, front_alp_addr):
    '''获取html_css里面有关地址的(class_name,x,y)'''
    print('--->start-2-get_font_css--------------------------')

    font_css = re.findall('\.({0}\w\w\w)'.format(front_alp_addr) + '{background:-(\d+).0px -(\d+).0px;}', html_css,
                          re.S)
    # print('addr_css')
    # print(font_css)
    print('==================================2>>>over!')

    return font_css
1
2
3
4
5
6
7
8
9
10
11
12

4.获得class_name 对应的文字

注：

1. 文字有两种加密方式，数字又是另一种加密方式。（大众点评会在每天下午四点到晚上九点之间更换加密方式,并且每个加密的字，的class_name（图二5）也会变，有时候是前三个字母一样，有时候是前两个字母一样[如图二5])
2. 简单说一下，每一个隐藏的字由一个span标签对应（注意这里是一一对应，类似函数的映射）而span标签又是由class_name唯一确定，这里寻找class_name:font的对应关系（为保证文章的完整性，解密详细步骤放在后面）

# 3.2获得class_name 对应的文字  //第二种加密方法－new－无M0
def get_font_dict_by_offset_new(svg_link_num, food_kind_css):
    '''获取坐标偏移的文字字典'''
    print('--->start-3.2-get_addr_addr_dict_by_offset_new--------------')
    # print(addr_css)
    svg_html = requests.get(svg_link_num, headers=headers).text
    # print(svg_html)
    font_finded = {}

    y_list = re.findall('<text x=.*?y="(\d+)"', svg_html)
    # print('y_list:')
    # print(y_list)
    y_list_new = []
    for i in enumerate(y_list):
        y_list_new.append(i)
    # print('y_list_new')
    # print(y_list_new)
    # print(comment_css)
    if y_list:
        font_finded = re.findall('<text .*?>(.*?)<', svg_html)
        # print(font_finded)
        offset_x = []
        offset_y = []
        font_list = []
        for food_css_name_x_y in food_kind_css:
            for y in y_list:
                if int(food_css_name_x_y[2]) < int(y):

                    offset_x = int((int(food_css_name_x_y[1]) / 12))
                    # print('offset_x')
                    # print(offset_x)
                    for one_y in y_list_new:
                        if int(one_y[1]) == int(y):
                            offset_y = one_y[0]
                            font_list.append((food_css_name_x_y[0], font_finded[offset_y][offset_x]))

                    break

        # print(font_list)
        print('==================================3.2>>>over!')

        return font_list

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

5.提取地址

注：

1. 替换span标签为文字
2. 提取文字

# 4. 提取地址
def get_result_font(html_origin, font_list, head_span_class_name):
    print('--->start-4-get_addr--------------------------')
    # print(font_list)
    for font in font_list:
        html_origin = html_origin.replace('<span class="' + font[0] + '"></span>', font[1])
    # 替换成功提取地址
    result_font = re.findall('<span class="' + head_span_class_name + '">(.*?)</span>', html_origin, re.S)
    # print(result_font)
    print('==================================4>>>over!')

    return result_font
1
2
3
4
5
6
7
8
9
10
11
12

6.成果

-----------------------------------------------------------------------图六

三、解密

1.第一种加密方式，解密

（为便于书写，此处图片在上，文字在下）
-----------------------------------------------------------图七
我们以上文提到的“广”为例(，如（图二4）background:-468px,-184px,简写如（ywbsy,468,184)【即（class_name,x__,y__),加密规则如此，不要像素前面的负号】
1.通过y__和图七的y比较，当第一个y>y__时，所要确定的文字就在那一行（此处有点难理解）例：208>184 所以对应文字在最后一行（图七2）
2.x__/12(12是文字大小，即上文提到的“洞的大小”[图七1])例 ：468/12=39，数最后一行，可定位到“广”（如图七）注意：从0开始数。

2，第二种加密方式，解密

-------------------------------------------------------图八
解密开始：
1.通过y__和M0后面的数字比较，规则和上面的相同，从而确定id的值（图八2）再通过，id==href（id和href是一一对应的，比如你确定id = 20,那么就去href=20的那一行去找）,从而确定文字所在行。
2.x__ / 12 的值确定偏移量。
注：目前的两种解密方式，分两个函数来写。加密规则一变调用另一个函数即可。

四、结束语

1. 目前加密规则大同小异，有的时候是偏移量加一减一的区别（是否从0开始数）
2. 数字加密规则：x__/12不是整数，可以通过向下取整（也可以通过向上取整），再寻找。
3. 店铺的经纬度，尚不知如何直接提取，如若有大神知道，烦请告知一二，不甚感激。
4. 加密规则有两种，class_name前面字母相同个数有两种。此代码有效期不超过24小时，可调用不同函数解决。
5. 源码已做部分更新，和此博文有些许出入，详情请查阅源码。
6. contact by email: gaofeng.anhui@gamil.com
7. 源码: https://github.com/onceone/dazhongspider/tree/master

---

知识无价，如果帮助到你，不妨请喝一杯奶茶~~

参考文章：

[1] 崔庆才.Python3网络爬虫开发实战[M].北京：人民邮电出版社，2018.
[2] https://blog.csdn.net/weixin_42512684/article/details/86775357
[3] https://blog.csdn.net/sinat_32651363/article/details/85123876
[4] https://blog.csdn.net/Tilyp/article/details/88754591
[5] https://blog.csdn.net/Herishwater/article/details/89036554
[6] https://www.google.com/
[7] https://www.baidu.com/