如何利用puppeteer爬取带反爬的网站

本文源于一位读者同学的提问，下图：

看到这位同学如此好学，博主就也研究了一下，发现确实当使用puppeteer爬取上述政府网的时候会卡住，看下方视频演示：

可以看到在打开页面之后就报错了。

?

后来查找了很多资料终于找到一条可用的方法：

增加参数：--disable-blink-features=AutomationControlled，

作用是：禁用启用Blink运行时的功能

const puppeteer = require(‘puppeteer‘);
(async () => {
const browser = await puppeteer.launch({
    headless: false,
    args: [
‘--no-sandbox‘,
‘--disable-setuid-sandbox‘,
‘--disable-blink-features=AutomationControlled‘,
    ],
    dumpio: false,
  });
const page = await browser.newPage();
await page.evaluate(
‘() =>{Object.defineProperties(navigator,{webdriver:{get: () => false}})}‘
  );
await page.goto(‘http://www.nhc.gov.cn/‘, {
    waitUntil: ‘networkidle0‘,
  });
await page.waitForSelector(‘.intabr.fr‘, {
    visible: true,
    timeout: 3000,
  });
const yqInfoList = await page.evaluate(() => {
const elements = Array.from(
document.querySelectorAll(‘.intabr.fr .yqdt .inLists li‘)
    );
return elements.map((s) => {
let a = s.getElementsByTagName(‘a‘).item(0);
let txt = a.innerHTML;
let url = a.getAttribute(‘href‘);
return { title: txt, url: ‘http://www.nhc.gov.cn‘ + url };
    });
  });
console.log(yqInfoList);
await browser.close();
})();

然后我们再次使用脚本来爬取信息可以顺利得到结果了

此时如果审查元素会发现，navigator中webdriver属性没了。

?

webdriver可以说是Puppeteer最明显的一个特征，检测也非常简单，获取navigator.webdriver这一属性，在默认启动的Puppeteer中，它的值为true，而在正常浏览器中，navigator里是没有这一属性的，是undefined。

所以我们通过把webdriver的返回置为false就可以使检测失效了，从而获取到想要的信息。

• ?

await page.evaluate(    ‘() =>{Object.defineProperties(navigator,{webdriver:{get: () => false}})}‘  );

当然也存在许多其它的检测方法，有兴趣的同学可以自行查阅。欢迎交流????。

?

使用puppeteer实现产品经理咖啡自动签到

puppeteer抓取开源中国上的推荐软件数据

puppeteer实现百度贴吧自动签到

原文：https://blog.51cto.com/xuedingmaojun/3011799