数据采集的另一种思路 - 浏览器脚本注入

昨天想去极客时间把购买的一个专栏里的数据扒下来，发现之前写的python脚本不能用了，原因是他们网站做了限流、也加了http时间戳的一些校验。我们可以将之前的python脚本进行改进，用ip代理池来处理限流，寻找时间戳验证的规则就可以解决。

但是这次我们用了另外的一种爬虫的思路，就是我们直接写一些js脚本，在对方的网站里运行，去请求相应的接口，从而得到想要的数据。

这种思路其实见过很多例子，之前有一个很火的，qq空间自动点赞的脚本，看过它的源码，其实很简单，就是直接去操作dom，然后触发一些事件。

另外一个很火的例子，github上很火的一个repo， fuckZhihu，据说是winter当年退知乎时写的，将自己在知乎的数据保存下来。

下面是这次实践的内容：

获取文章id集合

刚进入专栏的时候会有一个获取左侧文章列表集合的请求，在这个接口里，我们就能获取到当前专栏的所有请求。

这个专栏大概有50多篇文章，因为限流的原因，我们分成两次进行请求。

注入FileSaver.js

FileSaver是一个运行在浏览器中，将数据下载为json或者excel文件的库。

我们在这里创建一个script标签，并将这个标签插入到文档中。

我在这里写了一个方法downloadJson，我们将等会获取到的数据传到这里来，就可以下载这个json文件了。

创建请求

创建ajax请求，请求文章详情的接口。

这里我们用原生的js来写的，是一个post请求，res就是我们得到这个接口的返回值，我们将需要的数据从这个返回值中取出来就可以了。

上面说的是单个请求的实现。多个请求的实现如下图所示。

然后我们将数据保存一下：

所有的结果都放在rs这个数组中了。

下载数据

我们将所有数据放在了一个数组中，在最后一次请求结束的时候，执行我们写好的downloadJson方法进行下载就可以了。

导入数据库

json文件导入数据库网上有很多的工具，我这次是用之前写好的脚本。

这个脚本在我的github上面，是用nodejs写的，地址：tomysql.js

最后

我们这次没用通用的做法，模拟请求，或者模拟浏览器，而是直接利用浏览器来采集数据，当然也要根据实际情况去选择用哪种做法。

完整的脚本： geek.js