近日，多地优化疫情防控政策，居民通过互联网平台或药房购买退热、止咳、抗病毒、抗生素等“四类药”，不再查验核酸检测阴性证明，不再需要实名登记信息。成都、广州、北京、重庆等地也宣布不再按行政区域开展全员核酸检测，并鼓励家庭自备抗原试剂盒。在防疫政策优化调整的背景下，从“四类药”原料药到成品再到下游零售连锁药房，所涉及的上市公司都开启了“备货”模式。此外，各家连锁药房上市公司负责人均表示，目前新冠抗原检测试剂盒需求较大，正与供应商积极沟通加紧后备货源的补给。 很多人会在网上购买这四类药，一般京东大药房都是大家的首选，那么今天我们就通过pythoon爬虫技术来获取京东大药房数据分析下这几类药的销量。因为京东是是属于需要登录才能大量获取数据的网站，所以本次爬虫用到的核心技术使用使用 Selenium + 爬虫隧道代理IP ，Selenium 用于驱动浏览器对网页进行模拟访问，而且 Selenium 工具可以对于网页端的一些反爬措施能够达到一些有效的抑制，爬虫隧道代理IP的使用是因为京东是反爬比较严的网站。一般的代理效果很不理想，经过多次测试对比最后选择了亿牛云的隧道代理。爬虫实现过程如下：

    import string
    import zipfile

    # 代理服务器(产品官网 www.16yun.cn)
    proxyHost = "t.16yun.cn"
    proxyPort = "3111"

    # 代理验证信息
    proxyUser = "username"
    proxyPass = "password"


    def create_proxy_auth_extension(proxy_host, proxy_port,
                                    proxy_username, proxy_password,
                                    scheme='http', plugin_path=None):
        if plugin_path is None:
            plugin_path = r'/tmp/{}_{}@t.16yun.zip'.format(proxy_username, proxy_password)

        manifest_json = """
        {
            "version": "1.0.0",
            "manifest_version": 2,
            "name": "16YUN Proxy",
            "permissions": [
                "proxy",
                "tabs",
                "unlimitedStorage",
                "storage",
                "<all_urls>",
                "webRequest",
                "webRequestBlocking"
            ],
            "background": {
                "scripts": ["background.js"]
            },
            "minimum_chrome_version":"22.0.0"
        }
        """

        background_js = string.Template(
            """
            var config = {
                mode: "fixed_servers",
                rules: {
                    singleProxy: {
                        scheme: "${scheme}",
                        host: "${host}",
                        port: parseInt(${port})
                    },
                    bypassList: ["localhost"]
                }
              };

            chrome.proxy.settings.set({value: config, scope: "regular"}, function() {});

            function callbackFn(details) {
                return {
                    authCredentials: {
                        username: "${username}",
                        password: "${password}"
                    }
                };
            }

            chrome.webRequest.onAuthRequired.addListener(
                callbackFn,
                {urls: ["<all_urls>"]},
                ['blocking']
            );
            """
        ).substitute(
            host=proxy_host,
            port=proxy_port,
            username=proxy_username,
            password=proxy_password,
            scheme=scheme,
        )
        print(background_js)

        with zipfile.ZipFile(plugin_path, 'w') as zp:
            zp.writestr("manifest.json", manifest_json)
            zp.writestr("background.js", background_js)

        return plugin_path


    proxy_auth_plugin_path = create_proxy_auth_extension(
        proxy_host=proxyHost,
        proxy_port=proxyPort,
        proxy_username=proxyUser,
        proxy_password=proxyPass)

    option = webdriver.ChromeOptions()

    option.add_argument("--start-maximized")

    # 如报错 chrome-extensions
    # option.add_argument("--disable-extensions")

    option.add_extension(proxy_auth_plugin_path)

    # 关闭webdriver的一些标志
    # option.add_experimental_option('excludeSwitches', ['enable-automation'])

    driver = webdriver.Chrome(
        chrome_options=option,
        executable_path="./chromdriver"
    )

    # 修改webdriver get属性
    # script = '''
    # Object.defineProperty(navigator, 'webdriver', {
    # get: () => undefined
    # })
    # '''
    # driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {"source": script})


    driver.get("https://httpbin.org/ip")

尽管 selenium 对于网页端的一些反爬机制实现有效地破解，但对于一些网站时没有用的，例如拉勾网，当你用 Selenium 驱动浏览器在拉钩官网模拟翻页操作时，网站能识别出非人为操作，对你的 IP 进行暂时性封禁并警告。所以不管什么网站的数据获取IP的辅助是必不可少少的。关于本篇文章涉及到的完整源码，代理的获取方式可以私信或搜索亿牛云获取。