手机咋做网站软件工程师需要什么学历
本文将带你深入探索并实践如何从底层层面破解浏览器 navigator.webdriver 检测，结合爬虫代理等策略伪装、多线程加速等技术，在豆瓣图书搜索页面上批量采集图书评分、简介、作者等信息。文章面向初学者，采用分步教程型结构，并增设「陷阱警告」板块，帮助你规避常见误区，快速上手。
明确目标 + 前置知识
目标：
- 破解 Selenium 驱动浏览器中
navigator.webdriver检测。 - 使用爬虫代理（固定域名、端口、用户名、密码）突破 IP 限制。
- 设置 Cookie 与自定义 User-Agent 伪装真实用户。
- 利用多线程技术并发提升采集效率。
- 在 https://book.douban.com 上，根据图书名搜索并采集评分、简介、作者等信息。
前置知识：
- Python 基础、Selenium 库使用。
- HTTP 请求、Cookie 与 User-Agent 原理。
- 代理 IP 概念及 HTTP 代理认证。
- 线程/多线程编程（
threading或concurrent.futures）。
按步骤拆解操作
步骤 1：获取并配置爬虫代理信息
获取代理配置：
- 代理域名：
proxy.16yun.cn - 端口：
12345 - 用户名：
your_username - 密码：
your_password
步骤 2：构建 Selenium 驱动并底层隐藏 navigator.webdriver
from selenium import webdriver
from selenium.webdriver.chrome.options import Optionsdef create_driver():# 参考亿牛云爬虫代理示例 www.16yun.cnPROXY_HOST = 'proxy.16yun.cn' # 代理域名PROXY_PORT = '12345' # 代理端口PROXY_USER = 'your_username' # 代理用户名PROXY_PASS = 'your_password' # 代理密码CUSTOM_UA = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)...' # 自定义 UAoptions = Options()# 隐藏 Selenium 特征options.add_experimental_option('excludeSwitches', ['enable-automation'])options.add_experimental_option('useAutomationExtension', False)options.add_argument('--disable-blink-features=AutomationControlled')# 设置 User-Agentoptions.add_argument(f'--user-agent={CUSTOM_UA}')# 配置代理proxy = f"{PROXY_USER}:{PROXY_PASS}@{PROXY_HOST}:{PROXY_PORT}"options.add_argument(f'--proxy-server=http://{proxy}')# 可选：无头模式options.add_argument('--headless')driver = webdriver.Chrome(options=options)# 在每次新页面加载前注入 JS，隐藏 navigator.webdriver 属性driver.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument',{'source': "Object.defineProperty(navigator, 'webdriver', {get: () => undefined});"})return driver
- 利用
excludeSwitches、disable-blink-features避免基本指纹检测 - 使用 CDP 命令
Page.addScriptToEvaluateOnNewDocument将navigator.webdriver强制设为undefined
步骤 3：设置 Cookie 和发起搜索请求
from selenium.webdriver.common.by import By
import timedef fetch_book_info(driver, book_name):# 访问豆瓣图书搜索页面url = f"https://book.douban.com/subject_search?search_text={book_name}"driver.get('https://book.douban.com')# 添加示例 Cookie（如有登录需求，可替换为实际 Cookie）driver.add_cookie({'name': 'example_cookie', 'value': 'value123', 'domain': 'book.douban.com'})driver.get(url)time.sleep(2) # 等待页面加载# 定位结果并点击第一个条目first = driver.find_element(By.CSS_SELECTOR, '.subject-item .nbg')first.click()time.sleep(2)# 提取评分、简介、作者rating = driver.find_element(By.CSS_SELECTOR, 'strong.rating_num').textsummary = driver.find_element(By.CSS_SELECTOR, '#link-report .intro').textauthor = driver.find_element(By.CSS_SELECTOR, '#info').text.split('\n')[0]return {'name': book_name, 'rating': rating, 'summary': summary, 'author': author}
driver.add_cookie实现 Cookie 注入，模拟登录状态或个性化请求- 通过 CSS 选择器提取目标信息
步骤 4：启用多线程并发采集
from concurrent.futures import ThreadPoolExecutordef main(book_list):results = []with ThreadPoolExecutor(max_workers=5) as executor:# 每个线程创建独立 driverfutures = [executor.submit(lambda name: fetch_book_info(create_driver(), name), name)for name in book_list]for future in futures:results.append(future.result())for info in results:print(info)if __name__ == '__main__':books = ['三体', '活着', '百年孤独', '小王子']main(books)
- 利用
ThreadPoolExecutor并发执行，最大 5 个线程同时跑 - 每个线程内部独立创建并关闭 WebDriver，避免资源冲突
陷阱警告
- 未注入 JS 时机不对：
execute_script在页面加载后才执行，JS 注入可能失效，必须用Page.addScriptToEvaluateOnNewDocument - 代理格式错误：
--proxy-server参数需包含认证信息，否则返回 407 错误 - 线程数过多导致资源占用：ChromeDriver 启动耗内存，建议根据机器性能调整
max_workers
常见错误提示 + 延伸练习
常见错误提示
selenium.common.exceptions.WebDriverException: unknown error: net::ERR_PROXY_CONNECTION_FAILED
检查代理域名、端口及用户名密码是否正确。NoSuchElementException
页面结构可能变动，需更新 CSS/XPath 选择器。- 页面加载不完全
可增大time.sleep或改用WebDriverWait精准等待。
延伸练习
- 切换更多反检测手段：尝试用
undetected-chromedriver库优化指纹隐藏。 - Session 复用：在多次请求中复用同一浏览器实例，减少启动开销。
- IP 自动切换：结合「自主切换」模式，通过
Proxy-Tunnel请求头动态控制代理 。
通过本文的分步指导与示例代码，你已经掌握了从底层破解 navigator.webdriver 检测，并结合爬虫代理与多线程技术，在豆瓣图书页面上高效采集所需信息的完整流程。