Raspado de datos en el tráfico de red usando Python

En este artículo, aprenderemos cómo desechar datos en el tráfico de red usando Python.

Módulos necesarios

• selenium : Selenium es un marco portátil para controlar el navegador web.
• tiempo: Este módulo proporciona varias funciones relacionadas con el tiempo.
• json : este módulo es necesario para trabajar con datos JSON.
• browsermobproxy: este módulo nos ayuda a obtener el archivo HAR del tráfico de red.

Hay dos formas en las que podemos desechar los datos de tráfico de la red.

Método 1: Usar el método get_log() de Selenium 

Para comenzar, descargue y extraiga el controlador web de Chrome de aquí de acuerdo con la versión de su navegador Chrome y copie la ruta del ejecutable.

Acercarse:

• Importe DesiredCapabilities desde el módulo de selenium y habilite el registro de rendimiento.
• Inicie el controlador web de Chrome con la ruta ejecutable y las opciones predeterminadas de Chrome o agregue algunos argumentos y las capacidades deseadas modificadas .
• Envíe una solicitud GET al sitio web usando driver.get() y espere unos segundos para cargar la página.

Sintaxis:

conductor.get(url)

• Obtenga los registros de rendimiento utilizando driver.get_log() y almacénelos en una variable.

Sintaxis:

controlador.get_log(“rendimiento”)

• Repita cada registro y analícelo usando json.loads() para filtrar todos los registros relacionados con la red.
• Escriba los registros filtrados en un archivo JSON convirtiéndolos a una string JSON usando json.dumps().

Ejemplo:

# Import the required modules
from selenium import webdriver
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
import time
import json
  
  
# Main Function
if __name__ == "__main__":
  
    # Enable Performance Logging of Chrome.
    desired_capabilities = DesiredCapabilities.CHROME
    desired_capabilities["goog:loggingPrefs"] = {"performance": "ALL"}
  
    # Create the webdriver object and pass the arguments
    options = webdriver.ChromeOptions()
  
    # Chrome will start in Headless mode
    options.add_argument('headless')
  
    # Ignores any certificate errors if there is any
    options.add_argument("--ignore-certificate-errors")
  
    # Startup the chrome webdriver with executable path and
    # pass the chrome options and desired capabilities as
    # parameters.
    driver = webdriver.Chrome(executable_path="C:/chromedriver.exe",
                              chrome_options=options,
                              desired_capabilities=desired_capabilities)
  
    # Send a request to the website and let it load
    driver.get("https://www.geeksforgeeks.org/")
  
    # Sleeps for 10 seconds
    time.sleep(10)
  
    # Gets all the logs from performance in Chrome
    logs = driver.get_log("performance")
  
    # Opens a writable JSON file and writes the logs in it
    with open("network_log.json", "w", encoding="utf-8") as f:
        f.write("[")
  
        # Iterates every logs and parses it using JSON
        for log in logs:
            network_log = json.loads(log["message"])["message"]
  
            # Checks if the current 'method' key has any
            # Network related value.
            if("Network.response" in network_log["method"]
                    or "Network.request" in network_log["method"]
                    or "Network.webSocket" in network_log["method"]):
  
                # Writes the network log to a JSON file by
                # converting the dictionary to a JSON string
                # using json.dumps().
                f.write(json.dumps(network_log)+",")
        f.write("{}]")
  
    print("Quitting Selenium WebDriver")
    driver.quit()
  
    # Read the JSON File and parse it using
    # json.loads() to find the urls containing images.
    json_file_path = "network_log.json"
    with open(json_file_path, "r", encoding="utf-8") as f:
        logs = json.loads(f.read())
  
    # Iterate the logs
    for log in logs:
  
        # Except block will be accessed if any of the
        # following keys are missing.
        try:
            # URL is present inside the following keys
            url = log["params"]["request"]["url"]
  
            # Checks if the extension is .png or .jpg
            if url[len(url)-4:] == ".png" or url[len(url)-4:] == ".jpg":
                print(url, end='\n\n')
        except Exception as e:
            pass

Producción:

Las URL de la imagen están resaltadas arriba.

network_log.json que contiene la URL de la imagen

Método 2: usar browsermobproxy para capturar el archivo HAR desde la pestaña de red del navegador

Para ello, se deben cumplir los siguientes requisitos.

• Descargue e instale Java v8 desde aquí
• Descargue y extraiga browsermobproxy desde aquí y copie la ruta de la carpeta bin.
• Instale browsermob-proxy usando pip usando el comando en la terminal: 

pip instalar navegador mob-proxy

• Descargue y extraiga el controlador web de Chrome desde aquí, según la versión de su navegador Chrome y copie la ruta del ejecutable.

Acercarse:

• Importe el módulo del servidor desde browsermobproxy e inicie el servidor con la ruta de la carpeta bin copiada y configure el puerto como 8090 .
• Llame al método create_proxy para crear el objeto proxy desde el servidor y establezca el parámetro «trustAllServers» como verdadero .
• Inicie Chrome webdriver con executable_path y chrome -options discutidos en el código a continuación.
• Ahora, cree un nuevo archivo HAR usando el objeto proxy con el dominio del sitio web.
• Envíe una solicitud GET usando driver.get() y espere unos segundos para cargarlo correctamente.

Sintaxis:

conductor.get(url)

• Escriba el archivo HAR del tráfico de red del objeto proxy en un archivo HAR convirtiéndolo en una string JSON mediante json.dumps() .

Ejemplo:

# Import the required modules
from selenium import webdriver
from browsermobproxy import Server
import time
import json
  
  
# Main Function
if __name__ == "__main__":
  
    # Enter the path of bin folder by
    # extracting browsermob-proxy-2.1.4-bin
    path_to_browsermobproxy = "C:\\browsermob-proxy-2.1.4\\bin\\"
  
    # Start the server with the path and port 8090
    server = Server(path_to_browsermobproxy
                    + "browsermob-proxy", options={'port': 8090})
    server.start()
  
    # Create the proxy with following parameter as true
    proxy = server.create_proxy(params={"trustAllServers": "true"})
  
    # Create the webdriver object and pass the arguments
    options = webdriver.ChromeOptions()
  
    # Chrome will start in Headless mode
    options.add_argument('headless')
  
    # Ignores any certificate errors if there is any
    options.add_argument("--ignore-certificate-errors")
  
    # Setting up Proxy for chrome
    options.add_argument("--proxy-server={0}".format(proxy.proxy))
  
    # Startup the chrome webdriver with executable path and
    # the chrome options as parameters.
    driver = webdriver.Chrome(executable_path="C:/chromedriver.exe",
                              chrome_options=options)
  
    # Create a new HAR file of the following domain
    # using the proxy.
    proxy.new_har("geeksforgeeks.org/")
  
    # Send a request to the website and let it load
    driver.get("https://www.geeksforgeeks.org/")
  
    # Sleeps for 10 seconds
    time.sleep(10)
  
    # Write it to a HAR file.
    with open("network_log1.har", "w", encoding="utf-8") as f:
        f.write(json.dumps(proxy.har))
  
    print("Quitting Selenium WebDriver")
    driver.quit()
  
    # Read HAR File and parse it using JSON
    # to find the urls containing images.
    har_file_path = "network_log1.har"
    with open(har_file_path, "r", encoding="utf-8") as f:
        logs = json.loads(f.read())
  
    # Store the network logs from 'entries' key and
    # iterate them
    network_logs = logs['log']['entries']
    for log in network_logs:
  
        # Except block will be accessed if any of the
        # following keys are missing
        try:
            # URL is present inside the following keys
            url = log['request']['url']
  
            # Checks if the extension is .png or .jpg
            if url[len(url)-4:] == '.png' or url[len(url)-4:] == '.jpg':
                print(url, end="\n\n")
        except Exception as e:
            # print(e)
            pass

Producción:

Las URL de la imagen están resaltadas arriba.

network_log1.har que contiene la URL de la imagen