Python Selenium 自动化爬虫 + Charles Proxy 抓包

一、场景介绍

我们平常会遇到一些需要根据省、市、区查询信息的网站。

1、省市查询

比如这种，因为全国的省市比较多，手动查询工作量还是不小。

2、接口签名

有时候我们用python直接查询后台接口的话，会发现接口是加签名的。

而签名算法我们是不知道的。

扩展：

nonce（“只使用一次的数字”）：number once 也就是随机验证码。

timestamp：客户端访问时间戳。

sign：请求参数签名。通过特定算法，将请求参数集合映射为一个字符串，这个字符串就是签名。签名能有效防止请求信息被黑客篡改。

province、city：就是我们前端请求的业务参数。

有了 sign 签名，为什么还需要 timestamp 和 nonce 呢？

timestamp 和 nonce 参数是为了防止重放攻击。

基于 timestamp 方案

每次HTTP请求，都需要加上 timestamp 参数，然后把 timestamp 和其他参数一起进行数字签名。
因为一次正常的HTTP请求，从发出到达服务器一般都不会超过60s，
所以服务器收到HTTP请求之后，首先判断时间戳参数与当前时间相比较，
是否超过了60s，如果超过了则认为是非法的请求。

但这种方式的漏洞也是显而易见的，如果在60s之内进行高饱和重放攻击，那就没办法了，所以这种方式不能保证请求仅一次有效。

基于 nonce 方案

nonce 的意思是仅一次有效的随机字符串，要求每次请求时，该参数要保证不同，所以该参数一般与时间戳有关，方便起见，可以直接使用时间戳的16进制，实际使用时可以加上客户端的ip地址，mac地址等信息做个哈希之后，作为nonce参数。

我们将每次请求的 nonce 参数存储到一个“集合”中，可以 json 格式存储到数据库或缓存中。
每次处理HTTP请求时，首先判断该请求的nonce参数是否在该“集合”中，如果存在则认为是非法请求。

这种方式也有很大的问题，那就是存储 nonce 参数的“集合”会越来越大，验证 nonce 是否存在“集合”中的耗时会越来越长。我们不能让nonce“集合”无限大，所以需要定期清理该“集合”，但是一旦该“集合”被清理，我们就无法验证被清理了的nonce参数了。也就是说，假设该“集合”平均1天清理一次的话，我们抓取到的该url，虽然当时无法进行重放攻击，但是我们还是可以每隔一天进行一次重放攻击的。而且存储24小时内，所有请求的“nonce”参数，也是一笔不小的开销。

基于 timestamp 和 nonce 方案

那我们如果同时使用 timestamp 和 nonce 参数呢？
nonce的一次性可以解决 timestamp 参数60s的问题，timestamp 可以解决 nonce 参数“集合”越来越大的问题。

我们在timestamp方案的基础上，加上nonce参数，因为timstamp参数对于超过60s的请求，都认为非法请求，所以我们只需要存储60s的nonce参数的“集合”即可。

结论：

timestamp 和 nonce 和其他参数一起进行数字签名。这样就能防止请求信息被篡改，还能防止重放攻击。

3、Selenium 自动化爬虫

这个时候，就是 python Selenium 自动化爬虫的用武之地了。

它通过分析前端界面元素，模拟用户真实点击的方式，来 请求接口数据。

然后通过分析 界面DOM元素 的方式，来 提取响应数据。

二、环境介绍

python：3.12.5
Edge 浏览器驱动：Edge 浏览器驱动官网
Selenium python 插件
Charles抓包软件（下文会介绍为什么需要）Charles 安装可以看这篇博文

三、步骤

1、下载 Edge 浏览器驱动

首先进入 Edge 浏览器驱动官网

选择 beta(公测) 或者 stable(稳定) 版，根据自身操作系统型号，选择 64位或32位下载。

解压到电脑中某个位置备用。

2、安装 Selenium

pip install selenium

3、安装 Edge-Selenium 工具

pip install msedge-selenium-tools

4、F12 分析前端页面

可以找到省的数据。此时，市的数据界面上并没有显示出来。

不过，通过翻看网站的JS资源，我们找到一个 area.js 这个就是全国区域的基础数据。

进一步分析，我们还知道 parentid 还是省的 id。

5、area.js 数据导入 Excel

把 area.js 数据导入 Excel 通过 JSON数据行转列方式得到Excel 数据

通过 Excel 的数据过滤方式，进一步证实了我们的猜测。

parentid 还是省的下拉控件的 value。

福建的 province 14 过滤出福建的 9 个城市。

6、初步思路

这个时候，我们有了一个用 Selenium 自动化请求的初步思路。

用 Selenium 遍历点击省份控件，接着级联点击城市控件，然后点击查询控件，

最后再用 DOM 方式提取请求响应数据。

7、数据准备

在电脑上，新建一个 city 文件夹，里面存放以省份ID 命名的文件。

文件里面则是城市ID，每个城市ID 占一行。

8、Selenium 方案初版代码

经过上面的数据准备，我们基本可以写出初版的爬虫代码：

from selenium import webdriver
from selenium.webdriver.edge.service import Service
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import Select
import time# 浏览器驱动的存放位置
service = Service(executable_path=r"G:\msedgedriver.exe")
driver = webdriver.Edge(service=service)
driver.get("你的网页")# 暂停 3 秒  等待网页加载完成
time.sleep(3)# 找到  省    下拉框元素
province_element = driver.find_element(By.ID, 'province')
# 创建 Select 对象
province_select = Select(province_element)
# 找到  市  下拉框元素
city_element = driver.find_element(By.ID, 'city')
# 创建 Select 对象
city_select = Select(city_element)# 输入文件
input_path = r"C:\Users\Administrator\Desktop\py\city"
# 输出文件
output_path = r"C:\Users\Administrator\Desktop\py\output.txt"for  province  in  range(1, 35):print('-----------省份【' + str(province) + '】开始')# 选中省份province_select.select_by_value(str(province))# 省份文件file_path = input_path + "\\"+str(province)+'.txt'with open(file_path, 'r', encoding='utf-8') as input_file:for line in input_file:city = line.strip()print('---------------城市【'+city+'】开始')# 选中城市city_select.select_by_value(city)# 找到 搜索 按钮submit_element = driver.find_element(By.ID, 'submit')# 点击搜索submit_element.click()# 暂停 2 秒  等待网页加载完成time.sleep(2)# 获取无序列表中的所有列表项li_elements = driver.find_elements(By.TAG_NAME, 'li')# 提取列表项中的文本内容并打印for li in li_elements:# 根据 属性或者 class 过滤掉不是我们想要的数据 li# 因为一个界面里面，可能不止一个 列表if None != li.get_attribute("data-index"):with open(output_path, 'a', encoding='utf-8') as output_file:output_file.write('\n' + li.text)print('---------------城市【'+city+'】结束')print('-----------省份【' + str(province) + '】结束')# 关闭驱动
driver.quit()

爬到的数据因为涉及信息安全问题，就不在这里展示了。

但是这个代码爬取数据，有一个问题，那就是，

有时候，接口响应的数据是完整的，但是，有些数据并没有在界面上展示，Selenium 又是基于 DOM 对界面进行分析的，这部分数据我们就拿不到了，用 python 直接访问这些接口，因为有签名的存在，又没有这个条件。这个时候，Charles 代理就闪亮登场了。

通过将浏览器的网络，指向这个 Charles 代理，Selenium 在前端进行自动化请求的同时，Charles 代理负责对会话进行记录，最后通过分析 Charles 会话数据，就可以获取到我们的接口请求数据了。

处理过程如下：

9、Selenium + Charles 方案

这个时候的爬虫代码，就变简单了，只要无脑点击就好。

from selenium import webdriver
from selenium.webdriver.edge.service import Service
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import Select
import time# 浏览器驱动的存放位置
service = Service(executable_path=r"G:\msedgedriver.exe")
driver = webdriver.Edge(service=service)
driver.get("你的网页")# 暂停 3 秒  等待网页加载完成
time.sleep(3)# 找到  省    下拉框元素
province_element = driver.find_element(By.ID, 'province')
# 创建 Select 对象
province_select = Select(province_element)
# 找到  市  下拉框元素
city_element = driver.find_element(By.ID, 'city')
# 创建 Select 对象
city_select = Select(city_element)# 输入文件
input_path = r"C:\Users\Administrator\Desktop\py\city"for  province  in  range(1, 35):print('-----------省份【' + str(province) + '】开始')# 选中省份province_select.select_by_value(str(province))file_path = input_path + "\\"+str(province)+'.txt'with open(file_path, 'r', encoding='utf-8') as input_file:for line in input_file:city = line.strip()print('---------------城市【'+city+'】开始')# 选中城市city_select.select_by_value(city)# 找到 搜索 按钮submit_element = driver.find_element(By.ID, 'submit')# 点击搜索submit_element.click()# 暂停 2 秒  等待网页加载完成time.sleep(2)print('---------------城市【'+city+'】结束')print('-----------省份【' + str(province) + '】结束')# 关闭驱动
driver.quit()