爬虫实战—破解CSS反爬

一. CSS的作用

  为了让网页元素的样式更加丰富，也为了让网页的内容和样式能拆分开，CSS由此思想而诞生，CSS是 Cascading Style Sheets 的首字母缩写，意思是层叠样式表。有了CSS，html中大部分表现样式的标签就废弃不用了，html只负责文档的结构和内容，表现形式完全交给CSS，html文档变得更加简洁。

二、. 快速复习CSS内容

CSS学习笔记总结（上）：https://blog.csdn.net/weixin_40576010/article/details/89743531
CSS学习笔记总结（下）：https://blog.csdn.net/weixin_40576010/article/details/89786285
 
这里讲解一下CSS反爬需要用到的知识：

1.伪元素选择器：伪元素选择器有before和after,它们可以通过样式在元素中插入内容。

.box2:before{content:'行首文字';}
.box3:after{content:'行尾文字';}

2. 关于定位
我们可以使用css的position属性来设置元素的定位类型，position的设置项如下：

position设置项	功能
relative	生成相对定位元素，元素所占据的文档流的位置保留，元素本身相对自身位置进行偏移
absolute	生成绝对定位，元脱离文档流，不占据文档流的位置，可以理解为漂浮在文档流的上方，相对于上一个设置了定位的父级元素来进行定位，如果找不到，则相对于body元素进行定位。
fixed	生成固定定位元素，元素脱离文档流，不占据文档流的位置，可以理解为漂浮在文档流的上方，相对于浏览器窗口进行定位
static	默认值，没有定位，元素出现在正常的文档流中，相对于取消定位属性或者不设置定位元素
inherit	从父元素继承position属性的值

 
3. 定位元素的偏移
定位元素还需要用left、right、top或者bottom来设置相对于参照元素的偏移量
 

三、 这里就一道反爬虫题目来讲解CSS反爬：

页面上显示的数据为：

但html中的数据为：

解析：

1. 第一个大div[@class=‘col-md-1’]标签下有4个div标签，该标签对应的数据是320，很明显，text内容是7这个div标签是没有用处的，剩下三个标签顺序打乱。
 
对于text内容为7的div标签，由于它盒子与盒子之间的间距margin-right=-1em, 也就是跟该标签全部向左移动-1em,所以数据不会显示出来，且不占用文档流的位置。
剩下的三个div标签的解析，见下文
 
2. 第二个大div[@class=‘col-md-1’]标签下有3个div标签，该标签对应的数据417，很明显，这三个div标签只是顺序打乱而已。
 
这里的标签都是采用左浮动特性，碰到父元素边界、其他元素才停下来， 元素定位采用relative，生成相对定位元素，元素所占据的文档流的位置保留，元素本身相对自身位置进行偏移，所以如果没有设置定义定位偏移量，显示的数据应该是174, 但是每个div标签都设置了left偏移量，我们可以通过分析left偏移量就可以得出正确的数据

1需要从本来的百位数向右移动一位，也就是1是在十位数的位置

7需要从本来的十位数向右偏移1位，也就是7是在个位数的位置

4需要从个位数向左偏移1位数，也就是4是在百位数的位置
综上，便可以得到正确的数据：417
 
3. 对于最后一个大div[@class=‘col-md-1’]标签，该div标签下没有内嵌div标签，也没有显示数据，这个是使用了before伪元素选择器，可以查看css文件中，该标签:before选择器下的content对应的数据，就是该div标签需要显示出来的数据。

四、核心代码：

    def detail_parse(self, div_html, response_str):
        """
        分别每组div[@class='col-md-1']进行详细解析，有俩种不同解析，一种只是div标签顺序不正确，另外一种是使用了伪元素选择器
        :param div_html: 传进来的div[@class='col-md-1']
        :param response_str: 该网页的elements内容，也就是response.text
        :return:None
        """
        # 获取div[@class='col-md-1']下的所有div标签
        div_list = div_html.xpath("./div")
        # todo:1.对于div_list长度为3以下的
        # 就是使用伪元素选择器
        if len(div_list) < 3:
            for div in div_list:
                text = div.xpath("./text()")
                if not text:
                    class_name = div.xpath("./@class")[0]
                    num = re.findall(r"\.{}\:before\s*.*?\s*content\:\"(\d*)\"".format(class_name), response_str, re.S)[0]
                    self.total_num += int(num)
                    print(num, "总数", self.total_num)

        # todo:2.对于div_list长度大于等于3的
        # 长度为4就是其中有个div不显示，长度为3就是div标签数据显示顺序打乱
        else:
            if len(div_list) == 4:
                div_list = div_list[1:]
            number = [-1, -1, -1]
            for i in range(0, len(div_list)):
                div = div_list[i]
                class_name = div.xpath("./@class")[0]
                data = div.xpath("./text()")[0]
                left = re.findall(r"\.{}\s.*?\sleft\:(.*?)em".format(class_name), response_str)
                if not left:
                    # 如果left为空，表名位置不需要调整
                    number[i] = data

                # 否则就需要调整位置
                else:
                    index = i + int(left[0])
                    number[index] = data
            num = "".join(number)
            self.total_num += int(num)
            print(num, "总数", self.total_num)

更多内容：

爬虫验证码：破解【点击旋转验证码】
https://blog.csdn.net/weixin_40576010/article/details/89607998
极验3.0滑验证码破解：selenium+计算滑动缺口坐标算法=80%通过率
https://blog.csdn.net/weixin_40576010/article/details/89255933
Linux下利用jTessBoxEditor工具进行Tesseract样本训练【图】
https://blog.csdn.net/weixin_40576010/article/details/89517946
如何获取大量廉价可靠代理IP地址？https://blog.csdn.net/weixin_40576010/article/details/89507924

---