ignaz-chou / magical_spider

神奇的蜘蛛🕷，一个几乎适用于所有web端站点的采集方案

magical_spider

神奇的蜘蛛🕷，一个几乎适用于所有web端站点的采集方案。

诞生背景

纯属瞎扯：2022年全球变暖，各行业内卷严重，爬虫届更是入门抖音起步瑞数，为了减缓人才流失，推出magical_spider。

真实原因：一时兴起，吾辈当自强，重铸selenium荣光！

博客地址： lxspider 爬虫逆向工具站：lxtools

项目简介

• 非常规derver.pageSource。
• 通过Flask远程调用chromederver实现xmlHttpRequest。
• 通过sqlit记录任务状态。
• 通过undetected_selenium+stealth.min.js绕过一些校验。
• 目前适用于瑞数、加速乐等cookie加密，以及头条系的请求过程加密。

项目声明

• 项目仅供学习参考。
• 如有风控校验需自行解决，滑块可参考middlerware.py。
• 方案适用于应急场景或数据量要求不高时，若时间充裕建议通过逆向处理。推荐阅读：《爬虫逆向进阶实战》

部署

linux部署文档

---

使用说明

1、配置settings.py，启动 flask 服务

2、运行方法参考demo文件内容,主要借助runflow.py。

3、测试代码

GET请求

from demo.runflow import magical_start,magical_request,magical_close

project_name = 'cnipa'
base_url = 'https://www.cnipa.gov.cn'

session_id,process_url = magical_start(project_name,base_url)

print(len(magical_request(session_id, process_url,'https://www.cnipa.gov.cn/col/col57/index.html')))

magical_close(session_id,process_url,project_name)

POST请求

from demo.runflow import magical_start,magical_request,magical_close
import json

project_name = 'chinadrugtrials'
base_url = 'http://www.chinadrugtrials.org.cn'

session_id,process_url = magical_start(project_name,base_url)

data = {"id": "","ckm_index": "","sort": "desc","sort2": "","rule": "CTR","secondLevel": "0","currentpage": "2","keywords": "","reg_no": "","indication": "","case_no": "","drugs_name": "","drugs_type": "","appliers": "","communities": "","researchers": "","agencies": "","state": ""}
formdata = json.dumps(data)

print(magical_request(session_id=session_id, process_url=process_url,
                      request_url='http://www.chinadrugtrials.org.cn/clinicaltrials.searchlist.dhtml',
                      request_type='post',formdata=formdata
                      ))

magical_close(session_id,process_url,project_name)

4、index页可以查看和管理当前运行中的任务，也能查看系统内存和磁盘使用情况。

5、demo文件夹中有任务流程汇总runflow.py，以及抖音、药监局案例，单任务和多任务示例。