回锅炒辣椒的博客
所有项目均为作者练手分享项目,如遇侵权请联系删除,仅作学习分享,不能进行任何商业活动。
由于程序完成的时间问题,部分项目可能无法复用。
练习笔记见note.txt
此项目将持续更新
项目部分实战讲解见b站:https://space.bilibili.com/35242527/channel/collectiondetail?sid=1590251
下面是个人对于网站爬取难度评级
等级 |
标识 |
难度描述 |
蜘蛛卵 |
0 |
入门 |
幼蛛 |
00 |
踏过门槛了 |
小蜘蛛 |
* |
初级 |
大蜘蛛 |
** |
比初级高一点 |
巨蜘蛛 |
*** |
中等难度 |
辉耀蜘蛛 |
+ |
中上难度 |
毒蛛 |
++ |
比较难 |
蜘蛛王 |
+++ |
难 |
蜘蛛精 |
KING |
地狱 |
graph TD;
基础篇-->request篇;
基础篇-->解析html以及正则篇;
基础篇-->scrapy篇;
基础篇 -->高性能异步爬虫;
基础篇-->feapder;
自动化篇-->selenium
自动化篇-->playwright;
进阶篇-->综合案例;
进阶篇-->js逆向专题;
js逆向专题-->请求头或响应数据加密;
js逆向专题-->浏览器指纹检测;
js逆向专题-->webPack篇;
js逆向专题-->环境检测篇;
js逆向专题-->wasm篇;
验证码篇-->滑块篇;
验证码篇-->点选篇;
Loading
项目所用到的第三方库
pip install requests # requests库,爬虫的开始
pip install curl_cffi # 标准tls请求库
pip install lxml # xpath提取数据
pip install playwright # 自动化需要
pip install ddddocr # 识别验证码
pip install selenium # 自动化需要,推荐playwright
pip install scrapy # 爬虫框架
pip install "feapder[all]" # 新一代爬虫框架
pip install pycryptodome # python标准密码库
pip install pyexecjs2 # python调用js代码
pip install m3u8 # 下载m3u8视频
pip install prettytable # 格式化输出
pip install tqdm # 进度条
pip install loguru # 强大的日志工具库
pip install retrying # 强大的重试工具
npm install crypto-js/cryptojs # 二选一,js标准密码库
npm install jsdom # js模拟浏览器的dom和bom
npm install tough-cookie # 浏览器cookie
难度标识 |
项目名 |
补充 |
快捷导航 |
骑士侍从 |
百度网页 |
第一个爬虫程序 |
点这里 |
骑士侍从 |
ua识别 |
初始反爬 |
点这里 |
骑士侍从 |
百度翻译 |
认识post请求 |
点这里 |
骑士侍从 |
豆瓣电影 |
基础 |
点这里 |
骑士侍从 |
肯德基位置查询 |
json练习 |
点这里 |
难度标识 |
项目名 |
补充 |
快捷导航 |
准骑士 |
获取fakeua |
lxml解析 |
点这里 |
准骑士 |
4k图片爬取 |
lxml以及解决编码错误问题 |
点这里 |
准骑士 |
58 |
lxml以及分页爬取 |
点这里 |
准骑士 |
bs基础 |
初始bs |
点这里 |
准骑士 |
bs案例 |
实战bs |
点这里 |
准骑士 |
xpath基础 |
初始xpath |
点这里 |
准骑士 |
xpath解析 |
练习xpath |
点这里 |
准骑士 |
正则基础 |
初始正则 |
点这里 |
准骑士 |
正则练习 |
实战正则 |
点这里 |
准骑士 |
简历爬取 |
以上的小综合 |
点这里 |
难度标识 |
项目名 |
补充 |
快捷导航 |
大骑士 |
bossjob |
一级页面爬取,可能不可用 |
点这里 |
大骑士 |
双色球 |
都是基本scrapy操作 |
点这里 |
大骑士 |
图片 |
都是基本scrapy操作 |
点这里 |
大骑士 |
阳光政策 |
都是基本scrapy操作 |
点这里 |
大骑士 |
yi车数据爬取 |
带有js逆向,不过是入门级,以及大批量json数据解析 |
点这里 |
大骑士 |
校花网 |
都是基本scrapy操作 |
点这里 |
大骑士 |
网易新闻 |
都是基本scrapy操作 |
点这里 |
大骑士 |
17k小说爬取 |
都是基本scrapy操作 |
点这里 |
难度标识 |
项目名 |
补充 |
快捷导航 |
骑士侍从 |
认识flask |
基础知识 |
点这里 |
骑士 |
线程池基础 |
基础知识 |
点这里 |
大骑士 |
meinv图片批量爬取 |
基础 |
点这里 |
大骑士 |
明星图片爬取 |
基础 |
点这里 |
大骑士 |
多任务协程 |
基础 |
点这里 |
大骑士 |
线程池应用 |
基础 |
点这里 |
难度标识 |
项目名 |
补充 |
快捷导航 |
辉耀骑士 |
小红书数据采集 |
使用air模式的feapder,自定义csv储存管道,未来会以更多模式改写,以及更多功能加入,还迎补充 |
点这里 |
难度标识 |
项目名 |
补充 |
快捷导航 |
骑士侍从 |
基础自动操作 |
基本自动化操作 |
点这里 |
骑士侍从 |
模拟登陆 |
练习自动化 |
点这里 |
骑士侍从 |
动作链和ifream处理 |
练习自动化 |
点这里 |
骑士侍从 |
无头浏览器和反检测 |
练习 |
点这里 |
骑士 |
12306模拟登录 |
多半不可用 |
点这里 |
骑士 |
damai网 |
多半不可用 |
点这里 |
难度标识 |
项目名 |
补充 |
快捷导航 |
骑士 |
邮政编码 |
通过地址查询邮政编码,使用同步方式,包含等待操作以及根据情况选择不同的表格,同时使用pandas对excel文件进行操作 |
点这里 |
大骑士 |
采用本地浏览器进行反爬虫 |
我们使用自动化时有时会被检测,我们这里使用本地浏览器进行反爬虫,并且由于是本地浏览器,我们的session状态和cookie状态都是存在的,也就是说原本登录过的网站我们访问直接就是登录状态了,可以方便很多,不需要我们创建浏览器的上下文 |
点这里 |
大地骑士 |
采集资料 |
通过网站名采集网站的邮箱电话地址社交媒体链接,难点在于每个网站风格完全不一,所有数据也不一并且数量很大,写正则很不好写,处理异步也比较麻烦,仓库只列举了其中10个页面,需要编写者对正则以及异步playwright有一定的了解 |
点这里 |
大骑士 |
反检测浏览器 |
通过大牛的js文件创建一个反检测的浏览器,可以绕过绝大部分的检测 |
点这里 |
大地骑士 |
起点vip小说爬取 |
通过屏幕快照的方式绕过起点vip小说的css反爬,用到的知识点有:定位盒子,截图,滑动,处理边界,合并截图。此方案不是最优解,欢迎大家补充 |
点这里 |
难度标识 |
项目名 |
补充 |
快捷导航 |
骑士 |
某诗文网 |
验证码相关,登录以及图片验证码解决 --- ddddocr |
点这里 |
大骑士 |
语言爬虫 |
利用网络将文本转为语言,支持中英韩三国语言 |
点这里 |
大骑士 |
b站综合 |
检查用户是否给你点赞,拉去消息列表,拉取点赞列表 |
点这里 |
大地骑士 |
某视频网站 |
m3u8视频下载,解决带密钥以及不带密钥情况,m3u8入门级别以及多线程下载 |
点这里 |
大地骑士 |
ins爬虫 |
对于页面参数提取以及解析json文件 |
点这里 |
大地骑士 |
douyin全站数据爬取 |
包括视频图片下载,评论爬取,用户信息爬取... 目前部分接口也开始x-b检测了,如果需要用到被检测接口,则需要加上x-b才可以获取数据, 现在重新整合签名,大家在github找到获取签名的js文件即可,放到douyin文件同目录下命名为x-b.js即可, up提供了一个在github上别人开源的代码仓库,在代码中标志了仓库,目前可以使用 |
点这里 |
大地骑士 |
weibo全站数据爬取 |
包括搜索用户,搜索帖子,下载评论,下载用户相册,用户主页,用户信息... |
点这里 |
未知等级 |
爬虫轮子 |
个人对常用的爬虫方法进行二次封装,方便后期开发 |
点这里 |
难度标识 |
项目名 |
补充 |
快捷导航 |
骑士 |
烯牛数据 |
请求头加密,响应体加密 |
点这里 |
骑士 |
娱乐指数 |
基础入门 |
点这里 |
骑士 |
艺恩数据 |
响应体加密 |
点这里 |
骑士 |
行行查 |
响应体加密 |
点这里 |
大骑士 |
fjs公共交易 |
混淆参数加密 |
点这里 |
大骑士 |
唯一艺术 |
动态js运行代码 |
点这里 |
大地骑士 |
某天气网站 |
动态js 动态key 动态参数 反debug |
点这里 |
大地骑士 |
某足球网站 |
请求体多重加密,加密位置难定位 |
点这里 |
大地骑士 |
wangyiyun音乐 |
实现全站数据爬取 |
点这里 |
大地骑士 |
gds公共交易 |
混淆参数,需要找定位 |
点这里 |
大地骑士 |
某道翻译 |
请求加密响应解密,难度不大 |
点这里 |
大地骑士 |
b站登录 |
rsa加密密码,极验三代文字点选,文字点选部分可见验证码篇 |
点这里 |
难度标识 |
项目名 |
补充 |
快捷导航 |
大地骑士 |
china五矿 |
基础webpack,标准版加密算法,简单,可用多种方式实现(nodejs,python和扣代码) |
点这里 |
难度标识 |
项目名 |
补充 |
快捷导航 |
辉耀骑士 |
redBook |
xhs x-s环境检测,需要自己把cookie和localstorage放到文件中 |
点这里 |
辉耀骑士 |
bossjob |
__zp_s...__环境检测,每天js都不同,需要补一些环境,并且修改js,有一个module检测等... |
点这里 |
辉耀骑士 |
猿人学2023第一题 |
魔改md5和aes 删除部分蜜罐,补充浏览器环境即可 |
点这里 |
大地骑士 |
饿了么参数 |
通过playwright获取bx_et参数 |
点这里 |
辉耀骑士 |
pdd的anti_content参数 |
这个不是补环境,是扣的算法,pdd不同站点其实加密大概差不多,有些对象的值有所差别而已,加密的主函数都是一个逻辑 |
点这里 |
大地骑士 |
更新boss直聘物品点选解ip封锁,坐标识别就随便在网上找了一个了 |
这个点选轨迹加密就是极验三代 |
更新在boss那个文件里面了 |
难度标识 |
项目名 |
补充 |
快捷导航 |
辉耀骑士 |
某航空 |
wasm操作内容实现加密解密 请求头参数加密更新 阿里系v2检测 阿里系v3检测(自动化获取),至此所有加密参数已解决 |
点这里 |
难度标识 |
项目名 |
补充 |
快捷导航 |
大地骑士 |
易九批 |
首先是加密请求体,其次是tls指纹检测,目前使用第三方库过了主页请求 |
点这里 |
难度标识 |
项目名 |
补充 |
快捷导航 |
大骑士 |
JD滑块 |
我们获取到图片之后可以使用ddddocr来进行识别滑块,然后生成轨迹发送请求即可,我们这里的轨迹采用大佬的写法,首先准备一条基准,从左往右手工滑完,然后一个抖动轨迹,之后拼接两个轨迹即可(不知道为什么我自己滑的轨迹验证都不通过,所以直接用了大佬的轨迹了) |
点这里 |
大骑士 |
阿里226 |
此次更新playwright获取,比较简单 |
点这里 |
大骑士 |
飞瓜获取验证码滑块 |
此次更新playwright获取,比较简单 |
点这里 |
难度标识 |
项目名 |
补充 |
快捷导航 |
辉耀骑士 |
极验三代点选 |
我们根据请求顺序依次请求接口获取图片,获取到图片信息后送入识别接口获取点选坐标,获取到坐标后将坐标转化,送入js生成轨迹,得到轨迹后请求接口获取validate |
点这里 |
如果你认为本仓库对你学习爬虫和逆向有所帮助,欢迎赞助作者,请作者喝一杯奶茶~!!
(你的支持可以让作者开心一整天😊)