腾讯动漫爬虫与动态随机加载反爬破解技术实战

项目需求与问题引入

有时，我们想爬取腾讯动漫中的漫画，比如，我们不妨打开腾讯动漫中某一个动漫的网址http://ac.qq.com/Comic/comicInfo/id/539443，如下图所示：

然后，我们点击“开始阅读”，出现如下所示界面：

​

可以看到，在此有一副漫画，我们可以按常规方式尝试进行处理，我们查看该网页对应的源代码，可以发现在源代码中并不能找到这副漫画的图片地址，并且，当我们鼠标往下滑动的时候，才会触发加载后续的漫画，所以，我们可以初步断定，这种数据是通过异步加载动态触发出来的。

按照一贯的解决思路，我们接下来尝试使用抓包分析进行解决这个问题，所以我们打开Fiddler。

打开Fiddler之后，我们再次打开动漫页拖动触发出相应的漫画，与此同时，Fiddler中会依次出现新触发的资源信息，如下所示：

​

我们依次分析这些网址，并把漫画相关的网址整理复制出来，放到word中，如下所示：

通过对比观察，我们可以看到漫画资源的网址规律。

对应的规律如下：

http://ac.qq.com/store_file_download?buid=动漫ID uin=uin值 dir_path=/ name=日期_随机数_漫画图片ID.jpg

我们可以看到，其地址中有一段是随机数，这一段网址我们很难通过以往的网址构造的方法构造出来，所以，即使分析出了网址规律也无济于事，因为这个网址的规律中有一部分是随机数，即无规律的字段。

所以，显然，这种网址动态触发+资源随机存储的反爬策略我们采用以往的反爬攻关技巧很难解决，这一点大家可以先按常规的方法尝试写一遍便会有深刻感触。

问题的解决办法总是有的，只要我们思考，接下来，我们就为大家讲解这一种反爬策略应该如何攻克解决，今天我们的主要需求与目的是使用Python自动爬取腾讯动漫里面的各个漫画，实现自动加载触发漫画并得到随机地址的功能，以此为例为大家讲解网址动态触发+资源随机存储的反爬策略的攻克方式。

问题难点与解决思路

由上面的介绍，我们可以知道，目前问题的难点在于：

1、漫画图片动态触发，异步加载，无法通过漫画的主网址获得这些各漫画图片的网址，而没有漫画图片的网址，我们无法爬取这些漫画图片。

2、漫画图片网址中含有随机参数，即使我们通过抓包分析分析出各漫画网址的规律，也无法主动构造出这些漫画图片的地址。

这些问题其实我们可以解决，先为大家介绍一下解决思路，解决思路如下：

1、通过PhantomJS（无界面浏览器）自动触发出漫画图片。

2、通过JS代码实现页面滑动，以自动触发出剩下的多张漫画图片。

3、触发出漫画图片之后，将漫画地址通过正则表达式提取出来。

4、交给Urllib或者Scrapy普通爬虫，对相关资源进行自动爬取，在这里我们使用Urllib模块编写相关爬虫。

在这里稍微解释一下，PhantomJS虽然可以触发相关的数据，因为其本质就是浏览器，但是其效率是比较慢的，所以，一般情况下，我们会将主要爬虫处理部分交给Urllib或者Scrapy等常规爬虫，这样效率高，而如果常规爬虫不能处理的部分，我们可以将这一部分交给PhantomJS等处理，处理完成后交由常规爬虫处理，也就是不同的技术负责不同的部分，整合起来写，这样可以让爬虫的效率更高，并且不影响爬虫的功能。

使用PhantomJS实现动态触发动漫图片地址的获取

接下来，我们就来编写实现相关的项目。

首先，我们导入相关模块：

from selenium import webdriver
import time
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities

然后，我们需要基于PhantomJS创建一个浏览器，并且设置一下用户代理，否则可能出现界面不兼容的情况，如下所示：

dcap = dict(DesiredCapabilities.PHANTOMJS)  
dcap["phantomjs.page.settings.userAgent"] = ("Mozilla/4.0 (compatible; MSIE 5.5; windows NT)"  )  
browser = webdriver.PhantomJS(desired_capabilities=dcap)

然后，我们通过PhantomJS打开相关动漫网页，将相关动漫图片地址触发出来，如下所示：

#打开动漫的第一页

browser.get("http://ac.qq.com/ComicView/index/id/539443/cid/1")

#将打开的界面截图保存，方便观察

a=browser.get_screenshot_as_file("D:/Python35/test.jpg")

#获取当前页面所有源码（此时包含触发出来的异步加载的资源）

data=browser.page_source

#将相关网页源码写入本地文件中，方便分析

fh=open("D:/Python35/dongman.html","w",encoding="utf-8")

fh.write(data)

fh.close()

随后，我们运行相关代码，运行完成后，会发现对应的截图D:/Python35/test.jpg如下所示：

​可以看到，前面几幅漫画图片成功加载，可是后面的漫画图片却没有加载出来，为什么呢？

显然后面的漫画图片我们需要触发才能加载，所以我们可以使用JS代码实现自动拖动触发后面的漫画的功能。

在没有触发后续的漫画图片之前，我们不妨看一下此时的网页源代码，我们在源代码中搜索“ac.tc.qq.com/store_file_download”，即搜索满足漫画图片资源的网址格式的地址，看看源码中有没有，如下所示：

​可以看到，此时只有4各匹配的网址，说明此时确实没有加载出相关的剩下的动漫图片资源网址。

接下来，我们可以通过window.scrollTo(位置1,位置2)实现自动滑动页面，触发后续的网址，我们可以在上面的：

browser.get("http://ac.qq.com/ComicView/index/id/539443/cid/1")

代码下面插入如下补充代码：

for i in range(10):

    js=window.scrollTo(+str(i*1280)+,+str((i+1)*1280)+)

    browser.execute_script(js)

    time.sleep(1)

通过该循环，我们可以依次进行自动滑动，模拟滑动后自然会触发后续的图片资源。

随后，我们再次执行代码，执行完代码后，截图中你可以看到剩下的动漫图片资源已经加载出来了，并且源码中，匹配的网址也变多了，源码中网址的匹配情况现在如下所示：

​可以看到，此时符合规律的网址已经变成了25个，所以，现在，当前页面中的所有图片资源已经加载出来了。

显然，我们通过PhantomJS已经实现了异步资源触发与随机网址获取的功能了。接下来我们将需要提取出相关动漫图片的网址，并交由Urllib模块进行后续爬取。

结束了PhantomJS的使用之后，我们需要关闭一下浏览器，所以，我们在代码后添加如下一行代码：

browser.quit()

编写完整爬虫项目

随后，我们继续编写该爬虫项目。

我们可以通过正则表达式 img src="(http:..ac.tc.qq.com.store_file_download.buid=.*?name=.*?).jpg"将所有动漫资源图片网址提取出来，提取出来之后，通过urllib对这些图片进行爬取，爬到本地。

具体代码实现如下：

import re
import urllib
#构造正则表达式提取动漫图片资源网址

pat= img src="(http:..ac.tc.qq.com.store_file_download.buid=.*?name=.*?).jpg"

#获取所有动漫图片资源网址

allid=re.compile(pat).findall(data)

for i in range(0,len(allid)):

    #得到当前网址

    thisurl=allid[i]

    #去除网址中的多余元素amp;

    thisurl2=thisurl.replace("amp;","")+".jpg"

    #输出当前爬取的网址

    print(thisurl2)

    #设置将动漫存储到本地的本地目录

    localpath="D:/Python35/dongman/"+str(i)+".jpg"

    #通过urllib对动漫图片资源进行爬取

    urllib.request.urlretrieve(thisurl2,filename=localpath)

随后，我们运行该代码，便可以在本地目录D:/Python35/dongman/下看到如下信息：

​可以看到，相关动漫图片资源已经爬到本地了。

为了方便大家调试，我们提供完整代码，完整代码如下所示：

from selenium import webdriver

import time

from selenium.webdriver.common.desired_capabilities import DesiredCapabilities

import re

import urllib.request

dcap = dict(DesiredCapabilities.PHANTOMJS)  

dcap["phantomjs.page.settings.userAgent"] = ("Mozilla/4.0 (compatible; MSIE 5.5; windows NT)"  )  

browser = webdriver.PhantomJS(desired_capabilities=dcap)

#打开动漫的第一页

browser.get("http://ac.qq.com/ComicView/index/id/539443/cid/1")

for i in range(10):

    js=window.scrollTo(+str(i*1280)+,+str((i+1)*1280)+)

    browser.execute_script(js)

    time.sleep(1)

#将打开的界面截图保存，方便观察

a=browser.get_screenshot_as_file("D:/Python35/test.jpg")

#获取当前页面所有源码（此时包含触发出来的异步加载的资源）

data=browser.page_source

#将相关网页源码写入本地文件中，方便分析

fh=open("D:/Python35/dongman.html","w",encoding="utf-8")

fh.write(data)

fh.close()

browser.quit()

#构造正则表达式提取动漫图片资源网址

pat= img src="(http:..ac.tc.qq.com.store_file_download.buid=.*?name=.*?).jpg"

#获取所有动漫图片资源网址

allid=re.compile(pat).findall(data)

for i in range(0,len(allid)):

    #得到当前网址

    thisurl=allid[i]

    #去除网址中的多余元素amp;

    thisurl2=thisurl.replace("amp;","")+".jpg"

    #输出当前爬取的网址

    print(thisurl2)

    #设置将动漫存储到本地的本地目录

    localpath="D:/Python35/dongman/"+str(i)+".jpg"

    #通过urllib对动漫图片资源进行爬取

    urllib.request.urlretrieve(thisurl2,filename=localpath)

可以看到，当我们直到了解决方法之后，项目实现起来并不难，在这里，大家需要通过这一个例子，掌握这一类问题的解决思路，即掌握网址动态触发+资源随机存储的反爬策略的攻克解决方案。希望大家可以多多练习，希望这篇文章能够让遇到这一类问题的同学获得解决的思路与启发。

本文作者韦玮原创，转载请注明出处。

作者新书推荐

「Python」爬虫实战-北京公交线路信息爬取（requests+bs4） 使用requests爬取北京公交线路信息，目标网址为[https://beijing.8684.cn/](https://beijing.8684.cn/)。 爬取的具体信息为公交线路名称、公交的运营范围、运行时间、参考票价、公交所属的公司以及服务热线、公交来回线路的途径站点。
Python爬虫系列实战-采集NBA常规赛数据分析三分命中率 爬取的网站为：stat-nba.com，这里爬取的是NBA2016-2017赛季常规赛至2017年1月7日的数据； 改变url_header和url_tail即可爬取特定的其他数据。
常用正则表达式最强汇总（含Python代码举例讲解+爬虫实战） 带大家学习正则表达式，并通过python代码举例讲解常用的正则表达式 最后实战爬取小说网页：重点在于爬取的网页通过正则表达式进行解析。
韦玮 韦玮，企业家，资深IT技术专家/讲师/作家，畅销书《精通Python网络爬虫》作者。