如何控制已打开的浏览器，从而实现 selenium 伪装

[mondbyte]

Selenium+Python 爬取网站公开数据，遇到网站过滤机制，无法打开。 尝试了网上多种伪装 selenium 方法，均未实现。 https://bot.sannysoft.com/ 全绿也不行，查了资料说是网站判断是 webdriver 的途径和方法很多。

现在大致的想法是：能否控制已手动打开的浏览器，定位到对应的标签页，来实现绕过机器人监测。 或者有其他办法的也可以。

目标网站： https://www.nmpa.gov.cn/datasearch/home-index.html#category=ylqx

备注：公开数据，非商业用途

#5 说的 chrome --remote-debugging-port=9222 ，这种方法之前也试了，其他网站可以，NMPA 这个不行。
说是 NMPA 这个网站用了瑞数 6 目前最高级的反爬虫方案

目前尝试了隐藏 webdriver/remote-debugging-port/stealth.min.js 等多种方案，感觉 Selenium 过不了 NMPA 这个网站的反爬虫机制，就像 6#说的 Selenium 有点力不从心（也有可能我技术应用不行）。

后续的想法是放开 selenium ，试试其他的框架或工具，先试 6#说的 DrissionPage

感谢#6 和#11 的建议，使用 DrissionPage 框架已可正常访问 NMPA

[wind1986]

Puppeteer 能用本机浏览器

[hubaq]

药监局用的是定制版的瑞数

[forQ]

提前加载 stealth.min.js
https://github.com/requireCool/stealth.min.js

[mondbyte]

@forQ 感谢方案！但还是没通过检测，打开依然 400

[peanutBark]

能否控制已手动打开的浏览器，定位到对应的标签页 -------能，你搜索一下 chrome.exe --remote-debugging-port=9222

[yaleyu]

反爬技术日新月异，Selenium 越来越力不从心，试试 drissionpage, https://gitee.com/g1879/DrissionPage

[Belmode]

@yaleyu 请问这个可以通过 headless 方式使用吗

[elevioux]

写个浏览器扩展？

虽然不能做到控制浏览器的程度

[chen2016]

@yaleyu 这个毕竟是个人作品，会出现一些莫名其妙的 bug ，刚开始用的时候确实很惊艳，但是自从几个项目从 selenium 改到 DrissionPage 都出现了莫名的 bug 之后，我就彻底不敢乱用这个自动化框架了

[xyz8899]

瑞数 5 代的 cookie 值也有很多种，目前 yao 监局是 neCYtZEjo8GmO ，neCYtZEjo8GmP

[jianchang512]

直接开启 chrome 开发模型，写个小扩展控制页面抓取和请求过滤，似乎是更可行的方案，可以配合后端发送数据接收指令。
除此外 楼上说的 drissionpage, https://gitee.com/g1879/DrissionPage 也可以试试。

[tudou527]

apify.com 能用么？

[Laimf]

先通过 selenium 把浏览器拉起来，进入目标网站，如果没问题，说明 selenium 没被限制。那么就可以在代码里面加等待时间，进行判断匹配到了就运行逻辑。

[zeusho871]

指纹浏览器

[NoOneNoBody]

问题应该不在浏览器，在其他地方，例如频率和踩到蜜罐了
我这里就随手拿个 pyqt6 写的 webview 都能打开正常浏览几页

[NoOneNoBody]

呃，背景有 canvas 动图，可能里面有指纹检测

[llbqwhtxi]

chrome.exe --remote-debugging-port=**** --user-data-dir="C:\********" 5 楼说的没错

[cdlnls]

太巧了，正好最近在写一个工具，就是做这个，还没发布。

主要是利用 chrome 扩展的 API 去控制浏览器，支持新建 tab 、刷新、前进后退等等，还可以给网页注入 JS/CSS 等等。

chrome 插件启动，然后设置服务端的地址后，会使用 websocket 去连接服务端。在服务端可以接收 HTTP 请求，然后通过调用 http 请求，就可以实时控制浏览器做一些操作。

比如
curl http://host/_cat/tabs
curl http://host/tabs/open?url=https://xxx.com
curl http://host/tabs/_reload?sid=xxx

理论上访问网页和自己用浏览器访问网页是一模一样的，据我所知应该是没有什么特征的。

[cdlnls]

感觉你可以试试上面说的 remote-debugging-port ，这个看上去好像没问题。

[yaleyu]

@chen2016 嗯，主要是用这个绕开 CF 的人机检查，有的网站 Selenium 实在绕不过，用了 undected-chromdriver 都绕不过。

[g1879]

@chen2016 有 bug 要向作者提，开源项目就是靠大家多用多提意见才能完善。现在 4.0 改进很大了。

[mondbyte]

@cdlnls 等你发布哈

[whoosy]

用 playwright +虚拟显示器 可以看下这个项目 https://github.com/who0sy/crawloop

[zhangxh1023]

这个网站以前抓过。。。用 puppeteer 失败了，后来用 electron 成功了，只是很不稳定

[mondbyte]

@yaleyu 感谢！

[yaleyu]

@Belmode 之前都是有头模式在跑，无图形界面的 Linux 下用 xvfb + pyvirtualdisplay 模拟图形界面也能跑，看到这里问无头模式能不能跑，试了一下，能跑，不过有几点注意事项：
1. ua 和实际打开浏览器的 ua 必须一致
2. macOS 下，有头无头都能跑
3. 无图形界面的 Linux - 有头：因为我跑的是有个打开页面后倒计时几秒才能点的按钮，在不用 xvfb + pyvirtualdisplay 的情况下，不能跑，就算显式等待一段时间也点不了那个按钮，用了 xvfb + pyvirtualdisplay 就没问题
4. 无图形界面的 Linux - 无头，我要跑的那个页面，就算是无头并不实际打开浏览器，也得用用 xvfb + pyvirtualdisplay 模拟界面，有点奇怪

from DrissionPage import WebPage, ChromiumOptions
co = ChromiumOptions()
co.set_headless(True)
# ua 和实际打开浏览器的 ua 必须一致，才能通过 Cloudflare, 因为浏览器升级，ua 不固定，先打开百度得到目前的 ua
page = WebPage(driver_or_options=co)
page.get("https://www.baidu.com")
ua = page.user_agent.replace("Headless", "")
page.quit()
co.set_user_agent(ua)
page = WebPage(driver_or_options=co)
page.get(你真正要跑的 URL)

[Belmode]

@yaleyu 好的，非常感谢，回头实验一下

[Tspm1eca]

@yaleyu 方法成功，謝謝