如何隐藏Selenium特征实现自动化网页采集

news2024/7/6 19:22:26

Selenium是一个流行的自动化网页测试工具，可以通过模拟用户在Chrome浏览器中的操作来完成网站的测试。然而，有些网站会检测浏览器是否由Selenium驱动，如果是，就会返回错误的结果或拒绝访问。为了避免这种情况，我们需要隐藏Selenium的特征，让网站认为我们是正常的用户。

以下是三种常见的隐藏Selenium特征的方法：

1、修改navigator.webdriver标志：navigator.webdriver是一个浏览器提供的属性，用于表示浏览器是否由webdriver控制。默认情况下，如果浏览器由Selenium驱动，这个标志的值为true，否则为false。我们可以通过execute_cdp_cmd命令来执行Google Chrome DevTools命令，从而修改这个标志的值为false或者undefined，以隐藏Selenium的特征。

2、改变user-agent：user-agent是一个浏览器发送给网站的字符串，用于表示浏览器的类型和版本。有些网站会根据user-agent来判断用户的设备和操作系统，如果发现user-agent不符合正常的范围，就会怀疑是Selenium驱动的浏览器。我们可以通过execute_cdp_cmd命令来设置Network.setUserAgentOverride参数，从而改变user-agent为任意我们想要的值，以隐藏Selenium的特征。

3、排除或关闭一些Selenium相关的开关：enable-automation和useAutomationExtension是两个常见的Selenium相关开关，它们会影响浏览器的行为和外观，比如在浏览器窗口上显示“Chrome正在受到自动软件的控制”的提示。我们可以通过Chrome选项来添加或删除这些开关，从而让浏览器看起来更像正常的浏览器，以隐藏Selenium的特征。

综上所述，隐藏Selenium特征是实现自动化网页测试的关键。通过以上三种方法，我们可以让浏览器看起来更像正常的用户，避免被网站检测到并拒绝访问。综合上面的几种selenium特征隐藏方式，以采集大众点评的评论为案例，结合实际爬虫采集过程中需要使用的代理IP池，提供如下demo：

　　from selenium import webdriver
　　from selenium.webdriver.common.proxy import Proxy, ProxyType
　　# 亿牛云爬虫加强版代理IP 地址、端口号、用户名和密码
　　proxy_address = 'www.16yun.cn'
　　proxy_port = '3100'
　　proxy_username = '16YUN'
　　proxy_password = '16IP'
　　# 设置Chrome选项，包括隐藏Selenium特征、设置代理IP和排除或关闭一些Selenium相关开关
　　options = webdriver.ChromeOptions()
　　options.add_argument('--disable-blink-features=AutomationControlled')
　　options.add_argument('--disable-extensions')
　　options.add_argument('--disable-gpu')
　　options.add_argument('--disable-infobars')
　　options.add_argument('--disable-notifications')
　　options.add_argument('--disable-popup-blocking')
　　options.add_argument('--disable-web-security')
　　options.add_argument('--ignore-certificate-errors')
　　options.add_argument('--no-sandbox')
　　options.add_argument('--start-maximized')
　　options.add_argument('--user-data-dir=/dev/null')
　　options.add_argument('--proxy-server={}'.format(proxy_address + ':' + proxy_port))
　　options.add_argument('--proxy-auth={}:{}'.format(proxy_username, proxy_password))
　　options.add_experimental_option('excludeSwitches', ['enable-automation', 'useAutomationExtension'])
　　# 初始化Chrome浏览器，并使用上述选项
　　driver = webdriver.Chrome(options=options)
　　# 隐藏navigator.webdriver标志，将其值修改为false或undefined
　　driver.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {
　　    'source': 'Object.defineProperty(navigator, "webdriver", {get: () => undefined})'
　　})
　　# 设置user-agent，改变user-agent的值
　　user_agent = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"
　　driver.execute_cdp_cmd("Network.setUserAgentOverride", {"userAgent": user_agent})
　　# 访问大众点评中商品的评论页面
　　url = 'https://www.dianping.com/shop/1234567/review_all'
　　driver.get(url)
　　# 在此处添加其他代码来执行您想要的任务

此代码将使用Chrome浏览器，并在启动浏览器时使用选项隐藏Selenium特征、设置用户名和密码方式的代理IP和排除或关闭一些Selenium相关开关。然后，使用execute_cdp_cmd命令来执行Google Chrome DevTools协议中的命令，将navigator.webdriver标志的值修改为false或undefined。使用execute_cdp_cmd命令来设置Network.setUserAgentOverride参数，将user-agent更改为指定的user-agent字符串。最后，访问大众点评中商品的评论页面，并在此处添加其他代码来执行您想要的任务。

最后感谢每一个认真阅读我文章的人，礼尚往来总是要有的，虽然不是什么很值钱的东西，如果你用得到的话可以直接拿走：