Browsermob-Proxy（Selenium）爬取浏览器获取Har信息（含实例）

2022 年 12 月 19 日

263 次浏览

3019字数

使用Selenium 爬取网页内容时，异步加载、js加密、动态Cookie等问题都非常简单的能够获取或提交表单。

很多网站数据都是通过json 结构来交互，直接分析json 结构数据不但全而且很好解析，这比解析 html 网页简单很多。而且很多时候一些接口返回的关键信息不在 html 网页上显示，直接通过 selenium 获得的这些网页就没有这些信息。

selenium + webdriver虽然能够定位DOM元素、操作网页、获取网页等，但是 Selenium 只能处理“结果”，它无法得知浏览器请求的数据接口信息。若是能够像浏览器 Network 那样获取所有接口的请求和返回信息，就能够获取一些关键信息。
2022-12-19T11:22:36.png
本文使用BrowserMob-Proxy 来解决这个问题。使用 webdriver 通过 proxy 访问网络，再收集 proxy 端的请求和返回内容，从而获取到数据，而这个 proxy 就类似于 fiddler 抓包软件。

1、安装Browsermob-Proxy
（1）、 pip3 install BrowserMob-Proxy

（2）、下载java端BrowserMob-Proxy包：http://bmp.lightbody.net/

（3）、安装java8环境
2、实战
这里以百度为例。使用 Selenium + Webdriver + Browsermob-Proxy 获取接口返回的数据。

from browsermobproxy import Server
from selenium import webdriver
import time
import pprint

class ProxyManger:

    __BMP = "D:/AzRjN/browsermob_proxy/browsermob-proxy-2.1.4/bin/browsermob-proxy.bat"

    def __init__(self):

        self.__server = Server(ProxyManger.__BMP)
        self.__client = None

    def start_server(self):
        self.__server.start()
        return self.__server

    def start_client(self):

        self.__client = self.__server.create_proxy(params={"trustAllServers": "true"})
        return self.__client

    @property
    def client(self):
        return self.__client

    @property
    def server(self):
        return self.__server

if __name__=="__main__":
    # 开启Proxy
    proxy = ProxyManger()
    server = proxy.start_server()
    client = proxy.start_client()

    # 配置Proxy启动WebDriver
    options = webdriver.ChromeOptions()
    options.add_argument("--proxy-server={}".format(client.proxy))
    options.add_argument('--ignore-certificate-errors')
    chromePath = r"D:\AzRjN\anaconda3_7\envs\demo36\Lib\site-packages\selenium\webdriver\chrome\chromedriver.exe"
    driver = webdriver.Chrome(executable_path=chromePath, chrome_options=options)

    # 获取返回的内容
    client.new_har("baidu.com")
    driver.get("https://www.baidu.com/")
    time.sleep(3)

    newHar = client.har
    pprint.pprint(newHar)
    server.stop()

通过 Har 就能获取浏览器所有的请求，然后过滤出数据接口就OK，而且拿到的结构和在浏览器开发者模式 Network中看到的是一样的。
2022-12-19T11:23:49.png