Парсинг электронных ресурсов. Библиотека selenium или fake useragent?

Попов А.Ю.¹, Ремез М.В.¹, Жилина Е.В.¹, Ожиганова М.И.²
¹ Ростовский государственный экономический университет (РИНХ), Россия, Ростов-на-Дону
² Севастопольский государственный университет, Россия, Севастополь

Скачать PDF | Загрузок: 15 | Цитирований: 1

Статья в журнале

Информатизация в цифровой экономике ^{(РИНЦ, ВАК)}
опубликовать статью | оформить подписку

Том 3, Номер 4 (Октябрь-декабрь 2022)

Цитировать:
Попов А.Ю., Ремез М.В., Жилина Е.В., Ожиганова М.И. Парсинг электронных ресурсов. Библиотека selenium или fake useragent? // Информатизация в цифровой экономике. – 2022. – Том 3. – № 4. – С. 197-210. – doi: 10.18334/ide.3.4.115219.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=49863092
Цитирований: 1 по состоянию на 28.06.2023

Аннотация:
В настоящее время большое количество компаний используют парсинг электронных ресурсов. Собирая информацию в сети Интернет, можно получить множество различных преимуществ перед другими компаниями. Однако, сбор данных может быть затруднен использованием электронными ресурсами, средствами защиты от парсинга. Поэтому, правильно выбранная методика обхода блокировок в процессе парсинга, имеет решающее значение успеха в получении данных с электронных ресурсов. В статье рассмотрены различные способы парсинга данных электронных библиотек, показывающие недостатки одних и преимущества других. На основе библиотеки Selenium предлагается универсальное решение получения скрытых данных веб-ресурсов. Возможности Selenium позволяют запускать браузер, отправлять запросы через адресную строку и сохранять код найденной страницы.

Ключевые слова: веб-скрейпинг, обход защиты от парсинга, анти-парсер, python, selenium, fake useragent

JEL-классификация: O3, Q16

Введение. Веб-скрейпинг, или парсинг – это процесс автоматического сбора информации из различных электронных ресурсов. Такой процесс осуществляется с помощью компьютерной программы – парсера, разработанной или настроенной под определенную информацию на конкретном электронном ресурсе. Собранная информация используется для различных целей, например: анализ и сравнение цен, агрегация для создания каталогов, мониторинг новостных потоков и многое другое [6–9] (Platonov, 2020; Panshin, Zhukovskaya, 2020; Sopina, Kan, 2020; Khorovinnikova, 2021).

Разрабатывая парсер, можно столкнуться с тем, что электронные ресурсы используют методы блокировки от автоматического сбора информации. Такие методы могут проверить свойства IP-адреса, избыточность трафика, значения user agent и т.д. Некоторые параметры отличаются у пользователя и у программы автоматического сбора информации, оценив их, защита электронного ресурса производит блокировку.

Существуют и другие методы зашиты от парсинга (антипарсеры), например: ловушки для ботов, использование капчи, динамическое формирование кода сайта и прочее.

В качестве примера использования электронными ресурсами блокировки от парсинга можно рассмотреть электронную библиотеку Elibrary.ru. Данный электронный ресурс позволяет в систематизированном виде получать информацию об авторах, вузах, их публикационной активности и индексах цитирования в разрезе календарных годов, количества цитирований, рейтинга публикационных изданий и т.д. На рисунке 1 приведен исходный код простейшего парсера, разработанного авторами с использованием языка программирования Python и библиотек Requests и BeautifulSoup [3, 4].

Рисунок 1. Исходный код парсер-программы

Источник: составлено авторами.

Такие электронные ресурсы, как Elibrary.ru, анализируют заголовок HTTP-запроса. Этот заголовок называется пользовательским агентом, он содержит различную информацию: от наименования операционной системы до типа приложения и его версии.

Используя библиотеку Requests, парсер выдает себя значениями в user agent. Блокировка электронного ресурса срабатывает, и IP-адрес машины, на которой выполняется программа, игнорируется. Результат работы парсер-программы изображен на рисунке 2.

Рисунок 2. Результат работы парсер-программы

Источник: составлено авторами.

Таким образом, базовые программные решения на языке Python не позволяют получить данные электронных ресурсов, требующих определенных действий пользователя.

Основная часть

Библиотека Selenium

Selenium – это открытая библиотека для автоматизированного тестирования веб-приложений. Она управляет браузером и имитирует действия пользователя [2], затрудняя средствам защиты электронных ресурсов определять, кто находится у них на сайте, реальный пользователь или программа, что способствует обходу блокировок [5] (Pervushin, Samsonov, Krasnov, Zhilina, 2020).

Предметная область парсинга. Электронный ресурс Elibrary.ru

Предположим, что в электронной библиотеке Elibrary.ru на страницах авторов необходимо собрать информацию [1] (Akperov, Akperov, Alekseichik et al, 2020): ФИО автора, наименование организации, общее количество публикаций, название первой по списку публикации.

Просмотрев код страницы Elibrary.ru, можно определить теги и атрибуты позиций, подвергаемых парсингу. Если у нужной позиции нет никаких уникальных атрибутов, свойств или параметров, то можно взять ближайшие к ним. На рисунках 3, 4 представлены примеры выбора уникальных атрибутов (параметров) поиска. Так, на рисунке 3 показан поиск атрибута, необходимого для нахождения тега, содержащего информацию о ФИО автора.

а) скрин страницы автора в электронной библиотеке Elibrary.ru

б) скрин кода страницы, формат HTML

Рисунок 3. Выбор уникального атрибута, ФИО

Источник: составлено авторами.

На рисунке 4 показан поиск атрибута, необходимого для нахождения года и количества публикаций в этом году.

Рисунок 4. Выбор уникального атрибута, года публикационной активности

Источник: составлено авторами.

За количество публикаций отвечает параметр, выраженный в пикселях (px).

Обход блокировки от парсинга с помощью библиотеки Selenium

На рисунке 4 приведен исходный код программы парсера с применением библиотеки Selenium.

Рисунок 4. Исходный код программы парсера с использованием библиотеки Selenium

Источник: составлено авторами.

Далее на рисунке 5 приведен графический алгоритм в виде блок-схемы парсинга веб-ресурсов, используя драйвер Selenium.

Рисунок 5. Алгоритм работы парсера

Источник: составлено авторами в специализированной программе MS Visio.

Приведенная в качестве примера программа работает по следующему алгоритму:

1) создается объект библиотеки Selenium, которому задаются такие параметры, как тип браузера, путь к драйверу браузера, адрес открываемой страницы и др.;

2) после открытия браузером страницы задается время ожидания, равное одной секунде;

3) сразу по истечении времени ожидания производится сохранение кода страницы для его дальнейшей обработки;

4) сохраненный код страницы обрабатывается функциями, каждая из которых находит необходимую информацию, после чего информация выводится на экран.

Результат работы программы парсера с применением библиотеки Selenium приведен на рисунке 6.

Рисунок 6. Результат работы программы парсера с применением библиотеки Selenium

Источник: составлено авторами.

Обход блокировки от парсинга имитацией реального User-Agent

Еще одним способом обхода блокировок является имитация реального User-Agent.

User-Agent – это идентификатор клиентского приложения, представляющий собой строку характеристик, по которым серверы и сетевые узлы определяют тип приложения, операционную систему, производителя и/или версию пользовательского агента.

В предыдущем случае, когда выполнялась программа, исходный код которой представлен на рисунке 1, User-Agent заголовка запроса явно выдавал, что к электронному ресурсу обращается программа на языке программирования Python, использующая библиотеку Requests. На рисунках 7 и 8 представлен исходный код программы с выводом характеристик заголовка запроса и результат работы этой программы.

Рисунок 7. Исходный код программы с выводом характеристик заголовка запроса

Источник: составлено авторами.

Рисунок 8. Результат работы программы с выводом характеристик заголовка запроса

Источник: составлено авторами.

Для того чтобы избежать блокировки, необходимо сымитировать реальный вид заголовка запроса. В этом может помочь библиотека fake useragent. Данная библиотека производит генерацию фейкового User-Agent. Для проверки работы такого метода обхода блокировок можно взять исходный код программы, представленной на рисунке 4, и немного его видоизменить. На рисунке 9 представлен исходный код программы парсера с использованием библиотеки fake useragent, а на рисунке 10 приведен результат работы программы с выводом характеристик заголовка запроса.

Рисунок 9. Исходный код с использованием библиотеки fake useragent

Источник: составлено авторами.

Рисунок 10. Результат работы программы с использованием библиотеки fake useragent

Источник: составлено авторами.

Таким образом, электронный ресурс Elibrary.ru не выявил ничего подозрительного в запросе программы парсера и позволил скопировать html-код страницы.

Заключение

Основной принцип обхода блокировки от парсинга – программа-алгоритм должна вести себя так, как вел бы себя человек-пользователь, зашедший на сайт.

Программа, использующая библиотеку fake useragent, не является надежным способом обхода блокировок. Возможно, через десятки или сотни таких запросов у защиты электронного ресурса могут возникнуть подозрения. Для снижения риска блокировки необходимо уменьшать скорость работы парсера, добавлять случайные перерывы между запросами и действиями, а также случайные щелчки, прокрутки и движения мыши.

Приведенная в качестве примера программа, использующая библиотеку Selenium, обходит блокировки электронного ресурса Elibrary.ru, так как производит запуск браузера, отправляет запрос через адресную строку, после чего выполняет ожидание и сохранение кода страницы. В то время как программа, использующая библиотеку Requests, отправляет запрос к сайту напрямую, без использования браузера. Тем самым обнаруживается защитой сайта и попадает под блокировку.

Действия Selenium напоминают работоспособность драйвера в браузере, имитируя действия пользователя. Парсинг электронной библиотеки Elibrary.ru позволит получить достоверную информацию по автору, вузам, публикационной активности, цитируемости журналов. Ввод параметров поиска позволит в дальнейшем автоматизировать процесс обработки данных веб-страниц, систематизация которых будет направлена на объективность получения рейтинговых данных соответствующих исследований.

Источники:

1. Akperov I.G., Akperov G.I., Alekseichik T.V. et al Soft models of management in terms of digital transformation. - Rostov-on-Don: PEI HE SU (IUBIP), 2020. – 256 p.
2. Web Scraping using Beautiful Soup and Selenium for dynamic page. Medium.com. [Электронный ресурс]. URL: https://medium.com/ymedialabs-innovation/web-scraping-using-beautiful-soup-and-selenium-for-dynamic-page-2f8ad15efe25.
3. Модуль BeautifulSoup4 в Python, разбор HTML. Docs-python.ru. [Электронный ресурс]. URL: https://docs-python.ru/packages/paket-beautifulsoup4-python.
4. Парсинг на Python с Beautiful Soup. Pythonru.com. [Электронный ресурс]. URL: https://pythonru.com/biblioteki/parsing-na-python-s-beautiful-soup.
5. Первушин М.Р., Самсонов К.Ю., Краснов А.В., Жилина Е.В. «Парсинг» внешних данных в проекте «Чат-бот» для РГЭУ РИНХ // Проблемы проектирования, применения и безопасности информационных систем в условиях цифровой экономики: Материалы XX Международной науч.-практич. конф., посвященной 85-летию экономиста-математика, доктора экономических наук, профессора Виктора Алексеевича Кардаша. Ростов-на-Дону, 2020. – c. 242-249.
6. Платонов В.В. Визуализация больших данных в экономических науках в условиях информационного общества // Вопросы инновационной экономики. – 2020. – № 4. – c. 1831-1848. – doi: 10.18334/vinec.10.4.111373.
7. Паньшин И.В., Жуковская И.Ф. Эффект цифровизации при отчуждении труда: новый взгляд на формирование информационного капитала // Экономика труда. – 2020. – № 1. – c. 867-886. – doi: 10.18334/et.7.10.110896.
8. Сопина Н.В., Кан Е.Н. Зависимость уровня конкурентоспособности России от степени развития сектора информационно-коммуникационных технологий // Экономические отношения. – 2020. – № 2. – c. 395-408. – doi: 10.18334/eo.10.2.100859.
9. Хоровинникова Е.Г. Принятие управленческих решений по внедрению информационных технологий в HR-менеджмент // Лидерство и менеджмент. – 2021. – № 3. – c. 329-340. – doi: 10.18334/lim.8.3.112383.

Страница обновлена: 28.07.2024 в 23:02:58

Подробнее об авторах: