爬虫项目实战

说明

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

难度等级	表示	补充
骑士侍从	0	入门
准骑士	00	踏过门槛了
骑士	*	初级
大骑士	**	比初级高一点
大地骑士	***	中等难度
辉耀骑士	+	中上难度
圣殿骑士	++	比较难
圣骑士	+++	难
神印骑士	KING	地狱

项目目录

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;
    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;

基础篇

request篇

难度标识	项目名	补充
骑士侍从	百度网页	第一个爬虫程序
骑士侍从	ua识别	初始反爬
骑士侍从	百度翻译	认识post请求
骑士侍从	豆瓣电影	基础
骑士侍从	肯德基位置查询	json练习

解析html以及正则篇

难度标识	项目名	补充
准骑士	获取fakeua	lxml解析
准骑士	4k图片爬取	lxml以及解决编码错误问题
准骑士	58	lxml以及分页爬取
准骑士	bs基础	初始bs
准骑士	bs案例	实战bs
准骑士	xpath基础	初始xpath
准骑士	xpath解析	练习xpath
准骑士	正则基础	初始正则
准骑士	正则练习	实战正则
准骑士	简历爬取	以上的小综合

scrapy篇

难度标识	项目名	补充
大骑士	bossjob	一级页面爬取，可能不可用
大骑士	双色球	都是基本scrapy操作
大骑士	图片	都是基本scrapy操作
大骑士	阳光政策	都是基本scrapy操作
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
大骑士	校花网	都是基本scrapy操作
大骑士	网易新闻	都是基本scrapy操作
大骑士	17k小说爬取	都是基本scrapy操作

高性能异步爬虫

难度标识	项目名	补充
骑士侍从	认识flask	基础知识
骑士	线程池基础	基础知识
大骑士	meinv图片批量爬取	基础
大骑士	明星图片爬取	基础
大骑士	多任务协程	基础
大骑士	线程池应用	基础

自动化篇

selenium

难度标识	项目名	补充
骑士侍从	基础自动操作	基本自动化操作
骑士侍从	模拟登陆	练习自动化
骑士侍从	动作链和ifream处理	练习自动化
骑士侍从	无头浏览器和反检测	练习
骑士	12306模拟登录	多半不可用
骑士	damai网	多半不可用

playwright

难度标识	项目名	补充
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
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
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

进阶篇

综合案例

---

难度标识	项目名	补充
骑士	某诗文网	验证码相关，登录以及图片验证码解决 --- ddddocr
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
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
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
大地骑士	ins爬虫	对于页面参数提取以及解析json文件
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...
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...

js逆向专题

---

请求头或响应数据加密

难度标识	项目名	补充
骑士	烯牛数据	请求头加密，响应体加密
骑士	娱乐指数	基础入门
骑士	艺恩数据	响应体加密
骑士	行行查	响应体加密
大骑士	fjs公共交易	混淆参数加密
大骑士	唯一艺术	动态js运行代码
大地骑士	某天气网站	动态js 动态key 动态参数 反debug
大地骑士	某足球网站	请求体多重加密，加密位置难定位
大地骑士	wangyiyun音乐	实现全站数据爬取
大地骑士	gds公共交易	混淆参数，需要找定位
大地骑士	某道翻译	请求加密响应解密，难度不大

webPack

难度标识	项目名	补充
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）

环境检测

难度标识	项目名	补充
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
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...
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
大地骑士	饿了么参数	通过playwright获取bx_et参数

wasm加密

难度标识	项目名	补充
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

浏览器指纹检测

难度标识	项目名	补充
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

验证码篇

滑块篇

难度标识	项目名	补充
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）

Star History

赞助

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😊）

​