近日，多地优化疫情防控政策，居民通过互联网平台或药房购买退热、止咳、抗病毒、抗生素等“四类药”，不再查验核酸检测阴性证明，不再需要实名登记信息。成都、广州、北京、重庆等地也宣布不再按行政区域开展全员核酸检测，并鼓励家庭自备抗原试剂盒。在防疫政策优化调整的背景下，从“四类药”原料药到成品再到下游零售连锁药房，所涉及的上市公司都开启了“备货”模式。此外，各家连锁药房上市公司负责人均表示，目前新冠抗原检测试剂盒需求较大，正与供应商积极沟通加紧后备货源的补给。
很多人会在网上购买这四类药，一般京东大药房都是大家的首选，那么今天我们就通过pythoon爬虫技术来获取京东大药房数据分析下这几类药的销量。因为京东是是属于需要登录才能大量获取数据的网站，所以本次爬虫用到的核心技术使用使用 Selenium 爬虫隧道代理IP ，Selenium 用于驱动浏览器对网页进行模拟访问，而且 Selenium 工具可以对于网页端的一些反爬措施能够达到一些有效的抑制，爬虫隧道代理IP的使用是因为京东是反爬比较严的网站。一般的代理效果很不理想，经过多次测试对比最后选择了亿牛云的隧道代理。爬虫实现过程如下：
代码语言：javascript复制from selenium import webdriver
import string
import zipfile
# 代理服务器(产品官网 www.16yun.cn)
proxyHost = "t.16yun.cn"
proxyPort = "3111"
# 代理验证信息
proxyUser = "username"
proxyPass = "password"
def create_proxy_auth_extension(proxy_host, proxy_port,
proxy_username, proxy_password,
scheme='http', plugin_path=None):
if plugin_path is None:
plugin_path = r'/tmp/{}_{}@t.16yun.zip'.format(proxy_username, proxy_password)
manifest_json = """
{
"version": "1.0.0",
"manifest_version": 2,
"name": "16YUN Proxy",
"permissions": [
"proxy",
"tabs",
"unlimitedStorage",
"storage",
"<all_urls>",
"webRequest",
"webRequestBlocking"
],
"background": {
"scripts": ["background.js"]
},
"minimum_chrome_version":"22.0.0"
}
"""
background_js = string.Template(
"""
var config = {
mode: "fixed_servers",
rules: {
singleProxy: {
scheme: "${scheme}",
host: "${host}",
port: parseInt(${port})
},
bypassList: ["localhost"]
}
};
chrome.proxy.settings.set({value: config, scope: "regular"}, function() {});
function callbackFn(details) {
return {
authCredentials: {
username: "${username}",
password: "${password}"
}
};
}
chrome.webRequest.onAuthRequired.addListener(
callbackFn,
{urls: ["<all_urls>"]},
['blocking']
);
"""
).substitute(
host=proxy_host,
port=proxy_port,
username=proxy_username,
password=proxy_password,
scheme=scheme,
)
print(background_js)
with zipfile.ZipFile(plugin_path, 'w') as zp:
zp.writestr("manifest.json", manifest_json)
zp.writestr("background.js", background_js)
return plugin_path
proxy_auth_plugin_path = create_proxy_auth_extension(
proxy_host=proxyHost,
proxy_port=proxyPort,
proxy_username=proxyUser,
proxy_password=proxyPass)
option = webdriver.ChromeOptions()
option.add_argument("--start-maximized")
# 如报错 chrome-extensions
# option.add_argument("--disable-extensions")
option.add_extension(proxy_auth_plugin_path)
# 关闭webdriver的一些标志
# option.add_experimental_option('excludeSwitches', ['enable-automation'])
driver = webdriver.Chrome(
chrome_options=option,
executable_path="./chromdriver"
)
# 修改webdriver get属性
# script = '''
# Object.defineProperty(navigator, 'webdriver', {
# get: () => undefined
# })
# '''
# driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {"source": script})
driver.get("https://httpbin.org/ip")尽管 selenium 对于网页端的一些反爬机制实现有效地破解，但对于一些网站时没有用的，例如拉勾网，当你用 Selenium 驱动浏览器在拉钩官网模拟翻页操作时，网站能识别出非人为操作，对你的 IP 进行暂时性封禁并警告。所以不管什么网站的数据获取IP的辅助是必不可少少的。关于本篇文章涉及到的完整源码，代理的获取方式可以私信获取。
