用深度学习提升DOM解析——自动提取页面关键区块

一、时间轴：一次“抓不到重点”的二手车数据爬虫事故

• 2025/03/18 09:00
  产品经理希望抓取懂车帝平台上“北京地区二手车报价”作为竞品监测数据源。我们初步使用传统XPath方案，试图提取车型、年限、里程、价格等数据。
• 2025/03/18 10:00
  初版脚本运行失败，返回的数据全是空值，XPath定位的路径在页面中根本不存在。
• 2025/03/18 11:00
  检查HTML源代码发现，页面由**前端异步渲染（JavaScript动态生成）**构建，传统静态DOM无法解析真实内容。
• 2025/03/18 14:00
  改用Playwright模拟浏览器渲染，成功获取完整DOM。但新的问题是：页面结构复杂、不稳定，多个汽车列表卡片并非结构统一，手动XPath依旧容易出错。
• 2025/03/19 10:00
  启动深度学习方案：利用预训练模型BERT对HTML做块级语义识别，自动提取“车卡片”结构与核心字段。

---

二、方案分析：XPath失效 vs 语义块提取

1. 初始方案失败原因

• 页面为前端渲染（SPA架构），传统的requests + XPath方案根本无法加载数据；
• 即使用Playwright动态渲染后获取HTML，汽车信息DOM结构依旧不稳定，嵌套层级深，XPath脆弱；
• 页面存在部分反爬机制（navigator.webdriver特征、IP频控、UA检测），需解决隐藏身份问题。

2. 深度学习方案构思

• 将完整HTML节点转为token序列（含标签结构+文本）；
• 使用BERT或LayoutLM模型对DOM节点进行语义分类，标注“车卡片”、“车型名”、“报价”等字段；
• 利用位置+标签结构配合抽取规则，提高抗变动能力；
• 构建领域微调训练样本，通过正则与标注相结合构建少量训练集。

---

三、架构改进方案：深度语义解析 + 隐身身份访问

以下是优化后的爬虫架构，融合了：

• Playwright动态渲染页面；
• 代理IP隐藏身份（爬虫代理）；
• 设置cookie与user-agent；
• 调用深度学习模块提取语义块。

✅ 示例代码如下：

import asyncio
from playwright.async_api import async_playwright
import base64
import json
import torch
from transformers import BertTokenizer, BertForTokenClassification
from typing import List

# === 亿牛云代理配置 www.16yun.cn ===
PROXY_SERVER = "http://proxy.16yun.cn:3100"
PROXY_USERNAME = "16YUN"
PROXY_PASSWORD = "16IP"

# Base64编码代理身份
def get_proxy_auth():
    credentials = f"{PROXY_USERNAME}:{PROXY_PASSWORD}"
    return "Basic " + base64.b64encode(credentials.encode()).decode()

# === 深度学习模型加载（模拟）===
tokenizer = BertTokenizer.from_pretrained("bert-base-chinese")
model = BertForTokenClassification.from_pretrained("bert-base-chinese")

def predict_blocks(text_list: List[str]) -> List[str]:
    """
    使用BERT模拟DOM区块分类
    输入：文本列表（如标签+内容组成）
    输出：每个文本的分类结果，如[车型] [年限] [报价]
    """
    inputs = tokenizer(text_list, return_tensors="pt", padding=True, truncation=True)
    with torch.no_grad():
        outputs = model(**inputs).logits
    predictions = torch.argmax(outputs, dim=-1)
    labels = [model.config.id2label[idx.item()] for idx in predictions[0]]
    return labels

# === Playwright爬虫主流程 ===
async def main():
    async with async_playwright() as p:
        browser = await p.chromium.launch(headless=True)

        # 启动代理 + 设置UA和Cookie
        context = await browser.new_context(
            proxy={"server": PROXY_SERVER},
            user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/122.0.0.0 Safari/537.36",
            extra_http_headers={
                "Proxy-Authorization": get_proxy_auth(),
                "Cookie": "your_cookie_here"  # 真实抓包填入cookie
            }
        )
        
        page = await context.new_page()

        # 搜索“北京二手车”
        await page.goto("https://www.dongchedi.com/usedcar/search?city_name=%E5%8C%97%E4%BA%AC")
        await page.wait_for_timeout(5000)  # 等待JS加载完

        # 提取页面HTML
        html = await page.content()

        # 简化提取所有车卡片文本（真实项目中解析DOM结构）
        elements = await page.query_selector_all("div.CarCard_card__...")  # 选择器根据真实页面调整
        for el in elements:
            text = await el.inner_text()
            label = predict_blocks([text])[0]
            print(f"[{label}] {text}")

        await browser.close()

asyncio.run(main())

---

四、总结与优化建议

深度学习DOM解析优点：

• 抗结构变化能力强，不再依赖脆弱的XPath；
• 适合复杂网页（如懂车帝、汽车之家等）中提取卡片、列表、评论等区域；
• 可结合小样本微调适应特定领域，如二手车、新闻等。

⚙️ 技术架构演进图

[静态爬虫Requests+XPath] ──> [动态爬虫Playwright+XPath] ──> [Playwright+DOM语义BERT]
             ❌失效                          ⚠️结构脆弱                     ✅语义提取，稳定高效

---

附加建议

• 如需更高精度，可构建100~300条有标注数据微调BERT；
• 可加入图神经网络（如DOM-GCN）提升DOM上下文理解；
• 建议结合VisualDOM信息（元素位置+截图）形成多模态提取模型。