Node Puppeteer圖像識別實現百度指數爬蟲的示例分析

這篇文章主要為大家展示了“Node Puppeteer圖像識別實現百度指數爬蟲的示例分析”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“Node Puppeteer圖像識別實現百度指數爬蟲的示例分析”這篇文章吧。

note: 請勿濫用爬蟲給他人添麻煩

百度指數的反爬蟲策略

觀察百度指數的界面，指數數據是一個趨勢圖，當鼠標懸浮在某一天的時候，會觸發兩個請求，將結果顯示在懸浮框里面：

按照常規思路，我們先看下這個請求的內容：

請求 1：

請求 2：

可以發現，百度指數實際上在前端做了一定的反爬蟲策略。當鼠標移動到圖表上時，會觸發兩個請求，一個請求返回一段html，一個請求返回一張生成的圖片。html中并不包含實際數值，而是通過設置width和margin-left，來顯示圖片上的對應字符。并且請求參數上帶有res、res1這種我們不知如何模擬的參數，所以用常規的模擬請求或者html爬取的方式，都很難爬到百度指數的數據。

爬蟲思路

怎么突破百度這種反爬蟲方法呢，其實也很簡單，就是完全不去管他是如何反爬蟲的。我們只需模擬用戶操作，將需要的數值截圖下來，做圖像識別就行。步驟大概是：

1. 模擬登錄

2. 打開指數頁面

3. 鼠標移動到指定日期

4. 等待請求結束，截取數值部分的圖片

5. 圖像識別得到值

6. 循環第3～5步，就得到每一個日期對應的值

這種方法理論上能爬任何網站的內容，接下來我們來一步步實現爬蟲，下面會用到的庫：

1. puppeteer 模擬瀏覽器操作

2. node-tesseract tesseract的封裝，用來做圖像識別

3. jimp 圖片裁剪

安裝Puppeteer, 模擬用戶操作

Puppeteer是Google Chrome團隊出品的Chrome自動化工具，用來控制Chrome執行命令。可以模擬用戶操作，做自動化測試、爬蟲等。用法非常簡單，網上有不少入門教程，順著本文看完也大概可以知道如何使用。

API文檔: https://github.com/GoogleChrome/puppeteer/blob/master/docs/api.md

安裝：

npm install --save puppeteer

Puppeteer在安裝時會自動下載Chromium，以確保可以正常運行。但是國內網絡不一定能成功下載Chromium，如果下載失敗，可以使用cnpm來安裝，或者將下載地址改成淘寶的鏡像，然后再安裝：

npm config set PUPPETEER_DOWNLOAD_HOST=https://npm.taobao.org/mirrors
npm install --save puppeteer

你也可以在安裝時跳過Chromium下載，通過代碼指定本機Chrome路徑來運行：

// npm
npm install --save puppeteer --ignore-scripts

// node
puppeteer.launch({ executablePath: '/path/to/Chrome' });

實現

為版面整潔，下面只列出了主要部分，代碼涉及到selector的部分都用了...代替，完整代碼參看文章頂部的github倉庫。

打開百度指數頁面，模擬登錄

這里做的就是模擬用戶操作，一步步點擊和輸入。沒有處理登錄驗證碼的情況，處理驗證碼又是另一個話題了，如果你在本機登錄過百度，一般不需要驗證碼。

// 啟動瀏覽器，
// headless參數如果設置為true，Puppeteer將在后臺操作你Chromium，換言之你將看不到瀏覽器的操作過程
// 設為false則相反，會在你電腦上打開瀏覽器，顯示瀏覽器每一操作。
const browser = await puppeteer.launch({headless:false});
const page = await browser.newPage();

// 打開百度指數
await page.goto(BAIDU_INDEX_URL);

// 模擬登陸
await page.click('...');
await page.waitForSelecto('...');
// 輸入百度賬號密碼然后登錄
await page.type('...','username');
await page.type('...','password');
await page.click('...');
await page.waitForNavigation();
console.log(':white_check_mark: 登錄成功');

模擬移動鼠標，獲取需要的數據

需要將頁面滾動到趨勢圖的區域，然后移動鼠標到某個日期上，等待請求結束，tooltip顯示數值，再截圖保存圖片。

// 獲取chart第一天的坐標
const position = await page.evaluate(() => {
 const $image = document.querySelector('...');
 const $area = document.querySelector('...');
 const areaRect = $area.getBoundingClientRect();
 const imageRect = $image.getBoundingClientRect();

 // 滾動到圖表可視化區域
 window.scrollBy(0, areaRect.top);

 return { x: imageRect.x, y: 200 }；
});

// 移動鼠標，觸發tooltip
await page.mouse.move(position.x, position.y);
await page.waitForSelector('...');

// 獲取tooltip信息
const tooltipInfo = await page.evaluate(() => {
 const $tooltip = document.querySelector('...');
 const $title = $tooltip.querySelector('...');
 const $value = $tooltip.querySelector('...');
 const valueRect = $value.getBoundingClientRect();
 const padding = 5;

 return {
 title: $title.textContent.split(' ')[0],
 x: valueRect.x - padding,
 y: valueRect.y,
 width: valueRect.width + padding * 2,
 height: valueRect.height
 }
});

截圖

計算數值的坐標，截圖并用jimp對裁剪圖片。

await page.screenshot({ path: imgPath });

// 對圖片進行裁剪，只保留數字部分
const img = await jimp.read(imgPath);
await img.crop(tooltipInfo.x, tooltipInfo.y, tooltipInfo.width, tooltipInfo.height);
// 將圖片放大一些，識別準確率會有提升
await img.scale(5);
await img.write(imgPath);

圖像識別

這里我們用Tesseract來做圖像識別，Tesseracts是Google開源的一款OCR工具，用來識別圖片中的文字，并且可以通過訓練提高準確率。github上已經有一個簡單的node封裝： node-tesseract ，需要你先安裝Tesseract并設置到環境變量。

Tesseract.process(imgPath, (err, val) => {
if (err || val == null) {
 console.error(':x: 識別失敗：' + imgPath);
 return;
}
console.log(val);

實際上未經訓練的Tesseracts識別起來會有少數幾個錯誤，比如把9開頭的數字識別成`3，這里需要通過訓練去提升Tesseracts的準確率，如果識別過程出現的問題都是一樣的，也可以簡單通過正則去修復這些問題。

封裝

實現了以上幾點后，只需組合起來就可以封裝成一個百度指數爬蟲node庫。當然還有許多優化的方法，比如批量爬取，指定天數爬取等，只要在這個基礎上實現都不難了。

const recognition = require('./src/recognition');
const Spider = require('./src/spider');

module.exports = {
 async run (word, options, puppeteerOptions = { headless: true }) {
 const spider = new Spider({ 
 imgDir, 
 ...options 
 }, puppeteerOptions);

 // 抓取數據
 await spider.run(word);

 // 讀取抓取到的截圖，做圖像識別
 const wordDir = path.resolve(imgDir, word);
 const imgNames = fs.readdirSync(wordDir);
 const result = [];

 imgNames = imgNames.filter(item => path.extname(item) === '.png');

 for (let i = 0; i < imgNames.length; i++) {
 const imgPath = path.resolve(wordDir, imgNames[i]);
 const val = await recognition.run(imgPath);
 result.push(val);
 }

 return result;
 }
}

以上是“Node Puppeteer圖像識別實現百度指數爬蟲的示例分析”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！