通過爬蟲獲取失蹤兒童信息_風聞

一個人，一輛摩托車，車後插着一面尋子旗幟，很多人通過電影《失孤》認識了郭剛堂。二十多年來，他一直在鍥而不捨地做一件事——尋找被拐走的兒子郭新振。7月13日，公安部在北京召開發佈會，介紹電影《失孤》原型拐賣案件偵破情況：電影中的被拐兒童原型郭新振已被公安機關找到，犯罪嫌疑人被警方抓獲。看了整個事件的來龍去脈真的很感動，父母的愛真的很偉大。

關於失蹤兒童在我們國家依舊是一個很值得關注的羣體，那麼今天我們就通過爬蟲來獲取我們國家失蹤兒童的數據，希望可以更好的幫助那些失蹤的孩子早點回到父母的身邊。

首先我們使用的是Selenium

1、獲取http://bbs.baobeihuijia.com/forum-191-1.html這個版塊上的所有分頁頁面鏈接

2、設置代理， 代理我們可以通過www.16yun.cn獲取

3代碼信息如下：

from selenium import webdriver    import string    import zipfile

   # 代理服務器(產品官網 www.16yun.cn)    proxyHost = “t.16yun.cn”    proxyPort = “31111”

   # 代理驗證信息    proxyUser = “16OKTFDX”    proxyPass = “940952”

   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’D:/{}_{}@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”,                “”,                “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: [“foobar.com”]                }              };

           chrome.proxy.settings.set({value: config, scope: “regular”}, function() {});

           function callbackFn(details) {                return {                    authCredentials: {                        username: “${username}”,                        password: “${password}”                    }                };            }

           chrome.webRequest.onAuthRequired.addListener(                callbackFn,                {urls: [""]},                [‘blocking’]            );            """        ).substitute(            host=proxy_host,            port=proxy_port,            username=proxy_username,            password=proxy_password,            scheme=scheme,        )

       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")

   # 如報錯 chrome-extensions    # option.add_argument("--disable-extensions")

   option.add_extension(proxy_auth_plugin_path)

   # 關閉webdriver的一些標誌    # option.add_experimental_option(’excludeSwitches’, [’enable-automation’])        

   driver = webdriver.Chrome(chrome_options=option)

   # 修改webdriver get屬性    # script = ’’’    # Object.defineProperty(navigator, ‘webdriver’, {    # get: () => undefined    # })    # ’’’    # driver.execute_cdp_cmd(“Page.addScriptToEvaluateOnNewDocument”, {“source”: script})    

   driver.get(“http://bbs.baobeihuijia.com/forum-191-1.html”)貼出代碼的初衷是供大家學習爬蟲，大家只是研究下網絡框架即可，關於更多的爬蟲知識大家可以積極交流學習。