分享 基于 Ruby + Selenium 的第三方广告检测

vito · 2017年12月20日 · 最后由 kafei 回复于 2017年12月21日 · 2443 次阅读

博客地址:http://www.jianshu.com/p/9540e7566192

本文的工程目的是使用 ruby 编写一个脚本文件,实现对网页中第三方广告的检测和统计。 项目源代码:https://github.com/vito0705/selenium_vito

本文主要内容


  • 一。项目分析
    • 项目目的
    • 项目要求
    • 项目解决思路
  • 二。环境配置
    • Linux 下环境配置
    • Windows 下环境配置
  • 三。程序编写
    • 项目设计思路
    • 代码实现
      • (一)加载库文件
      • (二)初始化部分
      • (三)网页检测部分
      • (四)代码执行部分
  • 四。脚本使用
  • 五。总结

一。项目分析


项目目的

对页面中的第三方广告进行检测,找出其中隐藏的广告网页并将数据记录下来。

项目要求

  • 检测所有广告及广告的域并记录下来
  • 统计所有广告的数目及其中隐藏广告的数目
  • 以表格形式保存数据

项目解决思路

  • 第三方广告都在网页中的iframe标签中,需要从iframe标签中获取所需的数据
  • 根据需要,我们选择selenium作为 web 自动化测试工具
  • 数据需要保存在表格中,我们选择spreadsheet这个 gem 来实现相关功能

二。环境配置


Linux 和 windows 下均可以使用这个脚本,但对于环境配置略有不同。

Linux 下环境配置

1.安装 ruby

可以参考这篇文章中使用 rvm 管理 ruby 的方式安装,要求 ruby 版本大于等于 2.0,具体安装不作更多说明。

2.安装 ruby 版本的 selenium

terminal中执行:

gem install selenium-webdriver  

selenium-webdriver 的 Github 源码地址

3.安装 spreadsheet:

gem install spreadsheet

spreadsheet 的 GitHub 源码地址

4.安装 selenium 浏览器驱动 driver

根据自己的浏览器版本,选择对应的 selenium 浏览器驱动版本 driver 进行下载解压,将下载解压好的 driver 文件移动到/usr/bin/文件夹下即可。

以上四步,是 linux 下运行程序必要的环境配置,务必保证每一步的正确安装。

Windows 下环境配置

windows 下的环境配置与 Linux 下略有不同,但思路是相通的。

1.安装 ruby

按照这篇文章《Ruby 安装 - Windows》安装 ruby 即可,记得勾选Add Ruby executables to your PATH这一项。同样,要求 ruby 版本大于等于 2.0。

2.安装 ruby 版本的 selenium

cmd中执行:

gem install selenium-webdriver  

selenium-webdriver 的 Github 源码地址

3.安装 spreadsheet:

gem install spreadsheet

spreadsheet 的 GitHub 源码地址ß

4.安装 selenium 浏览器驱动 driver

根据自己的浏览器版本,选择对应的 selenium 浏览器驱动版本 driver 进行下载解压,将下载解压好的 driver 文件放在对应的浏览器安装目录下,之后需要对 Windows 环境变量进行配置。 Windows 下需要在系统变量的 path 变量中添加 exe 文件的位置,配置环境变量可参考这篇文章:Win7 怎样添加环境变量,注意路径中不要有中文。

同样,这四步也是 Windows 下必备的环境配置。但在自己的测试过程中,由于一些安全问题,Windows 下的 chrome 始终没有调通,但 Firefox 是可以使用的。

三。程序编写


项目设计思路

  1. 为了能使脚本检测大量网站,我们使用三个文件,一个 txt 文件,一个 xls 表格文件和包含所有逻辑功能的 ruby 文件。
    • weburl.txt:在文件中,每个网址占一行,ruby 文件会依次按行读取此文件中的网址进行检测
    • ad_file.xls:用于保存数据,最终的数据会写入这个文件
    • detection_ad.rb:所有的数据逻辑处理均包含在这个文件中,负责检测页面中的第三方广告。
  2. 第三方广告都在iframe标签中,我们的目的是找到这些iframe标签中的src,即就是第三方广告的网址。因此我们可以将思路转变为:首先通过 selenium 获取网页的源代码,之后通过 ruby 正则表达式来实现对关键信息的提取。
  3. 对于 selenium 和 spreadsheet 两个 gem 的使用,我们不作过多解释,可以参考以下两篇文章,给出了两个 gem 的基本使用方法。

代码实现

代码内容我们分成将四部分来分别说明。

(一)加载库文件

require 'rubygems'  
require 'selenium-webdriver' 
require 'spreadsheet'

(二)初始化部分

# 存放网址的文件
web_file = "weburl.txt"

# 创建excel表格实例
Spreadsheet.client_encoding = "UTF-8" 
excel_fil = Spreadsheet::Workbook.new  
sheet = excel_fil.create_worksheet :name => "ads_show"

# 创建浏览器driver实例
# driver = Selenium::WebDriver.for :chrome
driver = Selenium::WebDriver.for :firefox

# 创建三个全局变量
# web_num:excel表单中的行数
# all_ads_num:所有网页的广告总数
# hide_ads_num:所有网页的隐藏广告总数
$web_num = 1
$all_ads_num = 0
$hide_ads_num = 0

(三)网页检测部分

这部分的功能是检测一个网页中的所有第三方广告,找到广告的域并统计广告的数量,进一步需要分离出页面中隐藏的第三方广告。 我们将这部分定义为一个方法:search_ads(driver, web_url_para, sheet),这个方法要求三个参数:

  • driver:已经创建的浏览器 driver 实例,如driver = Selenium::WebDriver.for :firefox
  • web_url_para:待检测网页网址 url
  • sheet:已经创建的 excel 表单实例,如sheet = excel_fil.create_worksheet :name => "ads_show"

接下来会从多个模块来介绍这一部分内容。

功能块一

web_url = web_url_para
#--------------------------------------------------------
#web_url_domain:the domian of the web page
#--------------------------------------------------------
web_url_domain_raw = web_url.match(/https?\:\/\/(.*?)\/.*?/)
web_url_domain = web_url_domain_raw[1]

这部分使用正则匹配获得待检测网址的域,有两个重要的点需要说明。

1.不同的域

所谓第三方,指的是在iframe中嵌入的网页的域与当前网页的域不同。那么什么是域呢?在我之前介绍跨域解决方案 rack-cors 文章里,举了这样一个例子:

那么什么是同源?我们知道,URL 由协议、域名、端口和路径组成,如果两个 URL 的协议、域名和端口相同,则表示他们同源。
我们用一个例子来说明:
URL: http://www.example.com:8080/script/jquery.js
在这个 url 中,各个字段分别代表的含义:
http://——协议
www——子域名
example.com——主域名
8080——端口号
script/jquery.js——请求的地址
当协议、子域名、主域名、端口号中任意一各不相同时,都算不同的“域”。不同的域之间相互请求资源,就叫跨域。

因此,需要获得当前网页的域,来和iframe中的网址作对比,来判断是否属于第三方。

2.MatchData 对象的分组捕获

这里不对 ruby 中的正则表达式的语法进行详述,仅对其 MatchData 对象中的分组捕获相关的几点做简单的说明。

  • match 方法
    • 可以双向使用 match 方法,即正则表达式和字符串对象均可以响应 match 方法。match 方法会将字符串参数转换为正则表达式
    • match 与=~的区别:正则表达式匹配后返回值不同,=~返回字符串匹配中匹配的开始位置的数字索引,而 match 则返回 MatchData 实例:
2.2.7 :017 > "The alphabet starts with abc" =~ /abc/  
     => 25  
2.2.7 :018 > /abc/.match("The alphabet starts with abc")  
     => #<MatchData "abc">  
  • MatchData 对象
    • 当正则表达式通过 match 方法匹配时,返回一个 MatchData 对象;当正则表达式不匹配时,返回nil
2.2.7 :019 > /abc/.match("abcd")   
 => #<MatchData "abc">  
2.2.7 :020 > /abc/.match("bcd")  
 => nil  
  • 分组捕获
    • 正则表达式通过圆括号指定捕获(capture)。当一个字符串和模式之间进行正则匹配测试时,通常是想使用字符串,或者更常见的是用字符串的一部分完成一些操作。捕获表示法让用户可以从能够匹配特殊子模式的字符串中,抽取和保存字符子串。
    • 从 MatchData 对象中得到捕获结果的一个方式是直接通过数组的方式索引对象:0索引会返回匹配的整个字符串;从1开始往后,n的索引会基于从左边的括号开始计数,返回第n个捕获结果。关于“从左开始计数圆括号”的周期性,用一个例子来说明:
a=/((a)((b)c)(d)?)/.match("abce")  
    => #<MatchData "abc" 1:"abc" 2:"a" 3:"bc" 4:"b" 5:nil>   
a[0]                => "abc"  
a[1]                => "abc"   
a[2]                => "a"   
a[3]                => "bc"   
a[4]                => "b"   
a[5]                => nil        (不匹配)  
a[6]                => nil        (超出范围)  
a[-2]               => "b"   

可以肯定的是,上式中,从左边开始计数的成对圆括号之间匹配的结果,与结果严格对应。

功能块二

driver.get web_url
sleep 3
#--------------------------------------------------------
#get <iframe ...>...<\iframe>
#--------------------------------------------------------
html_source = driver.page_source
match_iframe = html_source.scan(/(<\s*iframe\s.*?>.*?<\s*\/\s*iframe\s*>)/)

这部分功能是访问目标网页,获取网页源代码,并获得源代码中所有的iframe标签中的数据。

功能块三

#--------------------------------------------------------
#select the third party hide ads url from iframe.src
#iframe_src_hide:hide ad url
#ad_hide_num: number
#--------------------------------------------------------
iframe_src_hide_raw = match_iframe.map do |ifr|
    if (src_match = ifr[0].to_s.match(/(<\s*iframe\s.*?(src=\"(.*?)\".*?>))/) )
        src_matched_hide = src_match[1].gsub(/\&amp\;/,"&")
        hide_condition_1 = src_matched_hide.match(/.*?\swidth\s*\=\s*\"\s*0\s*px\s*\"\s.*?height\s*=\s*\"\s*0\s*px\s*\".*/)
        hide_condition_2 = src_matched_hide.match(/.*?\sheight\s*\=\s*\"\s*0\s*px\s*\"\s.*?width\s*=\s*\"\s*0\s*px\s*\".*/)
        hide_condition_3 = src_matched_hide.match(/.*?style\s*=\s*\".*?width\s*:\s*0\s*px\s*;.*?height\s*:\s*0\s*px.*?\"/)
        hide_condition_4 = src_matched_hide.match(/.*?style\s*=\s*\".*?height\s*:\s*0\s*px\s*;.*?width\s*:\s*0\s*px.*?\"/)
        hide_condition_5 = src_matched_hide.match(/.*?\sdisplay\s*=\s*\"\s*none\s*\"\s*/)
        hide_condition_6 = src_matched_hide.match(/.*?style\s*=\s*\".*?display\s*:\s*none\s*.*?\"/)
        if (hide_condition_1 || hide_condition_2 || hide_condition_3 || hide_condition_4 || hide_condition_5 || hide_condition_6)
            # alert("123");
            src_matched = src_match[3].gsub(/\&amp\;/,"&")
            src_matched = src_matched.match(/https?\:\/\/(.*)\/.*/)
            if src_matched
                domain_judge_raw = src_matched[0].to_s.match(/https?\:\/\/(.*?)\/.*?/)
                domain_judge = domain_judge_raw[1]
                if domain_judge.to_s == web_url_domain.to_s
                    #the same domain
                    src_matched = nil
                else
                    #not the same domain
                    src_matched[0]
                end
            end
        else
            src_matched = nil
        end
    end
end
iframe_src_hide = iframe_src_hide_raw.compact
ad_hide_num = iframe_src_hide.size
$hide_ads_num = $hide_ads_num + ad_hide_num

这部分功能是:检测页面中所有的第三方隐藏广告。所谓隐藏广告,就是其iframe标签中的heightwidth属性的值均为0px,或者display属性的值为none,此时在页面中并不显示这个第三方广告。 这部分代码中,有一个点需要说明:

src_matched_hide = src_match[1].gsub(/\&amp\;/,"&")

这句代码的功能是将得到的src网址中的&amp;替换为&。这是因为,在 HTML 中,预留字符必须被替换为字符实体。这里对 HTML 字符实体进行了较为详细的介绍。 在本例中,我们通过正则表达式得到的 url 中,最常用的&被转义成了&amp;,因此需要对其进行修正。而其他的字符实体因为在 url 中使用较少,此处没有进行更多的校验。

功能块四

#--------------------------------------------------------
#select the third party ads url from iframe.src
#iframe_src:ad url
#ad number
#--------------------------------------------------------
iframe_src_show_raw = match_iframe.map do |ifr| 
    if (src_match = ifr[0].to_s.match(/(<\s*iframe\s.*?(src=\"(.*?)\".*?>))/) )
        src_matched_hide = src_match[1].gsub(/\&amp\;/,"&")

        hide_condition_1 = src_matched_hide.match(/.*?\swidth\s*\=\s*\"\s*0\s*px\s*\"\s.*?height\s*=\s*\"\s*0\s*px\s*\".*/)
        hide_condition_2 = src_matched_hide.match(/.*?\sheight\s*\=\s*\"\s*0\s*px\s*\"\s.*?width\s*=\s*\"\s*0\s*px\s*\".*/)
        hide_condition_3 = src_matched_hide.match(/.*?style\s*=\s*\".*?width\s*:\s*0\s*px\s*;.*?height\s*:\s*0\s*px.*?\"/)
        hide_condition_4 = src_matched_hide.match(/.*?style\s*=\s*\".*?height\s*:\s*0\s*px\s*;.*?width\s*:\s*0\s*px.*?\"/)
        hide_condition_5 = src_matched_hide.match(/.*?\sdisplay\s*=\s*\"\s*none\s*\"\s*/)
        hide_condition_6 = src_matched_hide.match(/.*?style\s*=\s*\".*?display\s*:\s*none\s*.*?\"/)

        unless (hide_condition_1 || hide_condition_2 || hide_condition_3 || hide_condition_4 || hide_condition_5 || hide_condition_6)
            src_matched = src_match[3].gsub(/\&amp\;/,"&")
            src_matched = src_matched.match(/https?\:\/\/(.*)\/.*/)
            if src_matched
                domain_judge_raw = src_matched[0].to_s.match(/https?\:\/\/(.*?)\/.*?/)
                domain_judge = domain_judge_raw[1]
                if domain_judge.to_s == web_url_domain.to_s
                    #the same domain
                    src_matched = nil
                else
                    #not the same domain
                    src_matched[0]
                end
            end
        else
            src_matched = nil
        end 

    end
end
iframe_src_show = iframe_src_show_raw.compact
ad_show_num = iframe_src_show.size

#--------------------------------------------------------
#all ads 
#--------------------------------------------------------
iframe_src = iframe_src_hide + iframe_src_show
ad_num = iframe_src.size

$all_ads_num = $all_ads_num + ad_num

这部分功能是:获得所有非隐藏的第三方广告的数据,计算其数量;之后与隐藏的广告数据整合,得到全部广告的数据。

功能块五

#--------------------------------------------------------
#select ad domian 
#src_domain:ad url domain
#--------------------------------------------------------
src_domain_raw = iframe_src.map do |sr| 
    if (domain_match = sr.to_s.match(/https?\:\/\/(.*?)\/.*?/) )
        domain_matched = domain_match[1]
    end
end
src_domain = src_domain_raw.compact

这部分功能是:根据获得的所有广告数据,获得这些广告的域。

功能块六

#--------------------------------------------------------
#file operation
#--------------------------------------------------------
sheet[$web_num + 0,0] = "Web url"
sheet[$web_num + 0,1] = web_url
sheet[$web_num + 1,0] = "The num of ads"
sheet[$web_num + 1,1] = ad_num
sheet[$web_num + 1,2] = "The num of hide ads"
sheet[$web_num + 1,3] = ad_hide_num
sheet[$web_num + 2,0] = "The url domain of ads"
sheet[$web_num + 2,1] = "The url of ads" + "(The top " + String(ad_hide_num) + " are hidden ads)"
ad_num.times do |n|
    i = n + 3 + $web_num
    sheet[i,0] = src_domain[n]
    sheet[i,1] = iframe_src[n]
end
$web_num = $web_num + ad_num + 3 + 1
puts "This page has searched successfully: #{web_url_para}"

这部分功能是文件操作,负责将得到的数据写入表格中。

至此,这个方法的内容已经全部介绍完了。尽管我们将这部分内容全部放在一个方法中,但由于全局变量的引入,这部分内容并不能完全的独立。

(四)代码执行部分

File.open(web_file) do |fil|
    if fil
        fil.each do |url|
            begin
                search_ads(driver, url, sheet)
            rescue
                puts "This page has searched unsuccessfully: #{url}"
                puts "Please waiting process..."
                driver.quit
                # driver = Selenium::WebDriver.for :chrome
                driver = Selenium::WebDriver.for :firefox
                puts "Start the next web url"
                next
            end
        end
    end
end


sheet[0,0] = "The ads number of all pages"
sheet[0,1] = $all_ads_num
sheet[0,2] = "The hide ads number of all pages"
sheet[0,3] = $hide_ads_num

excel_fil.write "ad_file.xls"

puts "Detection is complete!"

driver.quit  

这部分负责读取 txt 文件中的网址,并依次执行上述方法,获得我们所需的数据后将其写入表格中。 这里,我们加入了异常处理。对于我们的功能,一些网站会禁止通过 selenium 访问,有时由于网络原因也会导致访问时间过长而失败,因此需要添加异常处理,从而保证程序能够正确地运行下去。

四。脚本使用


已经完成的脚本文件在环境配置成功后,可以直接使用,整个工程中共有三个文件:

  • detection_ad.rb: 可执行文件,在终端 terminal 中(windows 下为 cmd)执行命令: ruby > ruby detection_ad.rb 工程即可正常运行。
  • weburl.txt: 这个文件用来放置待检测的网页网址,每一行仅能放置一个网址。程序运行后,脚本会打开weburl.txt文件,并依次对文件中的所有网址进行检测。 当需要修改此文件名称时,需要在脚本中修改相关代码,将weburl.txt修改成自己需要的名称: ruby web_file = "weburl.txt"
  • ad_file.xls: 这个文件用于保存数据,脚本运行后处理得到的所有数据会全部写入这个文件中。如果需要将最终数据写入到其他名称的xls文件中,只需要修改detection_ad.rb文件中相关代码,将ad_file.xls改为自己需要的名称: ruby excel_fil.write "ad_file.xls"

五。总结


到这里,我们的整个工程就全部完成了,我们希望达到的目的也都实现了。但这里还有一些疑问或是问题有待解决:

  • 效率问题:尽管可以实现第三方网页检测,但程序执行的速度相对很慢
  • 代码并没有封装的很好,且引入了全局变量,当这个脚本用在比较大型的且复杂的工程中时,很可能出现问题
  • 代码质量有待提高
  • 由于时间比较急,对代码中变量的名称没有使用的很准确,注释也不是很清晰,需要修正

暂时想到这么多,后续需要认真纠正和学习。

欢迎各位大佬批评指导

需要 登录 后方可回复, 如果你还没有账号请 注册新账号