基于ruby+selenium的第三方广告检测

2017-12-20 19:04:51来源:CSDN作者:vito0705人点击

分享

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

  • Chrome
    • 版本对应:ChromeDriver与Chrome版本的对应关系
    • driver下载:ChromeDriver - WebDriver for Chrome
  • Firefox
    • driver下载及版本对应:https://github.com/mozilla/geckodriver/releases

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

  • Chrome
    • 版本对应:ChromeDriver与Chrome版本的对应关系
    • driver下载:ChromeDriver - WebDriver for Chrome
  • Firefox
    • driver下载及版本对应:https://github.com/mozilla/geckodriver/releases

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。
    • selenium对浏览器的简单操作(webdriver+ruby)
    • rails导出excel插件 spreadsheet的标准使用

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 :chromedriver = 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

    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    endendsheet[0,0] = "The ads number of all pages"sheet[0,1] = $all_ads_numsheet[0,2] = "The hide ads number of all pages"sheet[0,3] = $hide_ads_numexcel_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 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。

    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:

    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。

最新文章

123

最新摄影

闪念基因

微信扫一扫

第七城市微信公众平台