当前位置： 首页 > article >正文

如何使用Python WebDriver爬取ChatGPT内容（完整教程）

article 2024/11/4 14:49:04

大背景

虽然我们能用网页版chatGPT来聊天、写文章，但是我们采集大量的内容，就得不断地手动输入提问来获取答案，并且将结果复制到数据库来保存。如果整个过程能使用程序来做自然要节省很多的人力，精力和时间。

Python webdirver 模拟浏览器的方式来实现，刚好能实现以上功能。

另外之所以不选择API 是因为以下原因：

  • 普通开发者（国内）获取API KEY 是有困难的，需要海外手机号 + 信用卡等一系列条件，但是如果只是网页端，我们仅仅需要登录或者未登录的方式就可以直接聊天

  • 网页端无需调整各项参数，可以直接交互获取内容，而且内容质量更高！

当然，如果你有条件用API 或者直接通过 wss交互获取内容的，到这儿可以直接结束了。

完整源码在文章末尾哦！

基本环境要求

准备自己的梯子

ChatGpt属于海外项目，国内的小伙伴，翻墙得找好自己的梯子（代理），这里自己有啥用啥即可。

安装Python 环境

Python要求：3.10 +

安装 Python Selenium

pip install selenium

其他扩展库说明：取决于自己电脑缺什么就安装什么。后面完整代码会提供完整的 requirements.txt

浏览器

这里以Chrome浏览器为准。也就是你本地必须要安装Chrome浏览器，并且获取其安装路径。

比如：C:\Program Files\Google\Chrome\Application\chrome.exe

操作系统

这里以 windows 作为开发环境。

开发工具

自己什么顺手用什么。

这里讲个程序界的笑话：传说级别的开发者据说用的记事本来开发。

实现过程

这里只介绍主要的代码

浏览器控制

使用程序实现浏览器的控制，这包括浏览器的打开，关闭，以及代理配置。

创建 browser_manage.py

import subprocess, datetime
import os, signal, psutil

def run_cmd(port=9200):
    cmd = [
        # chrome浏览器路径。 必须为首个参数
        'C:/Program Files/Google/Chrome/Application/chrome.exe',
        # 【必要】设置浏览器端口
        '--remote-debugging-port=%s' % port,
        # 【必要】设置浏览器数据存储路径
        '--user-data-dir=D:/data',
        # 隐藏一些弹窗之类的信息
        '--hide-crash-restore-bubble',
        # 设置浏览器分辨率。如果要跑多个浏览器可以将每个浏览器设置小一些
        '--force-device-scale-factor=1',
        # 假设代理地址为 http://127.0.0.1:10809
        '--proxy-server=http://127.0.0.1:10809',
        # 默认打开一个空白页面
        'about:blank'
    ]
    process = subprocess.Popen(cmd)
    # 返回pid 用于关闭浏览器杀死进程
    return process.pid

def kill_process(parent_pid):
    try:
        # 获取父进程
        parent = psutil.Process(parent_pid)
        # 获取父进程的所有子进程（包括孙子进程等）
        children = parent.children(recursive=True)
        # 创建一个包含父进程PID的列表
        pids_to_kill = [parent_pid]
        # 将所有子进程的PID添加到列表中
        pids_to_kill.extend(child.pid for child in children)
        # 遍历列表，对每个PID发送SIGKILL信号
        for pid in pids_to_kill:
            try:
                os.kill(pid, signal.SIGILL)
            except PermissionError:
                # 忽略权限错误，可能我们没有权限杀死某个进程
                print("close browser PermissionError")
                pass
            except ProcessLookupError:
                # 忽略进程查找错误，进程可能已经自然死亡
                print("close browser ProcessLookupError")
                pass
    except (psutil.NoSuchProcess, PermissionError):
        # 忽略错误，如果进程不存在或者没有权限
        print("close browser PermissionError1")
        pass
    return True
    

def open_browser():
    """
    打开浏览器
    """
    # 打开指定端口的浏览器
    pid = run_cmd(9200)

def close_borwser():
    """
    关闭浏览器
    """
    # pid 为打开浏览器获取到的进程id
    kill_process(pid)

# 执行open_browser() 打开浏览器，执行 close_borwser() 关闭浏览器

初始化selenium

创建爬虫脚本 spider.py

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.chrome.service import Service
from fake_useragent import UserAgent
import subprocess, datetime

chrome_options = Options()
ua = UserAgent()
# 浏览器端口信息，取决于启动浏览器设置的端口
browser_host = 9200
browser_host= "127.0.0.1"

random_ua = ua.random
chrome_options.add_argument(f'user-agent={random_ua}')

# 设置要连接的浏览器端口信息
chrome_options.add_experimental_option("debuggerAddress","%s:%s" % (browser_host, browser_port))
driver = webdriver.Chrome(options=chrome_options)

进入到目标页面

文件：spider.py

# 页面加载等待：最多10s 
driver.implicitly_wait(10) 
driver.get("https://chat.openai.com/")

页面等待除了以上的方案也可以用其他方法：

# 等待某个元素可见
try:
    element = WebDriverWait(driver, 10).until(
        EC.visibility_of_element_located((By.XPATH, "//h1"))
    )
    print(element.text)
finally:
    driver.quit()
    
# 或者直接
time.sleep(10)

发起询问

发起新的提问

每次提问都应该是基于一个新窗口来提问。如果你的问题需要上下文的基础来回答，可以直接跳过这里。

新询问输入框可以根据 button data-testid="create-new-chat-button" 来定位。

# 定位到新聊天元素
new_chat_dom = driver.find_element(By.CSS_SELECTOR, '[data-testid="create-new-chat-button"]') 
# 发起点击，进入新界面
new_chat_dom.click()

定位到输入框

输入框使用的是div contentediable作为文本域。其id为 prompt-textarea

# 因为元素提供了id，则直接通过id获取最方便
textarea_dom = driver.find_element(By.ID, "prompt-textarea")

创建询问队列

因为我们的目标是自动化对问题列表发起询问，而不是一次性询问。所以需要创建一个问题队列。问题队列可以来源于数据库或者队列文件。这里为了演示，直接创建一个list

ask_list = [
    "请用Python写一个平均等分list的方案",
    "请写一个关于小猪佩奇的笑话，要求：小猪佩奇可能不是猪，而是河马, 100字",
    "称赞一个女生长得漂亮，如何不直接称赞也能看出来在形容她漂亮"
]

输入问题

这里我们按行来输入：一次输入一行。

for msg in ask_list:
    # 将字符串按换行分割开
    ask_msg_arr = msg.split('\n')
    for msg_line in ask_msg_arr:
        textarea_dom.send_keys(ask_msg_item)
    # 发送
    textarea_dom.send_keys(Keys.ENTER)
    # TODO 这里是后续获取数据，存储到数据库环节

等待数据响应

可以根据回答结束后，出现的交互按钮来确认是否回答完毕

idx = 0
while True:
    idx = idx + 1
    # 请求超时
    if idx > 180:
        break
    time.sleep(1)
    try:
        driver.find_element(By.CSS_SELECTOR, '[data-testid="bad-response-turn-action-button"]') 
        break
    except:
        continue

也可以使用以下方法来校验：

# 设置最大等待时间
wait = WebDriverWait(driver, 180)
# 等待直到元素出现
element = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '[data-testid="bad-response-turn-action-button"]')))

获取响应数据

通过 class="markdown" 来获取数据。

idx = 0
while True:
    idx = idx + 1
    # 请求超时
    if idx > 180:
        break
    time.sleep(1)
    try:
        html_dom = driver.find_element(By.CSS_SELECTOR, '.markdown') 
        break
    except:
        continue

content = html_dom .get_attribute('innerHTML')

数据清洗

具体的清洗规则，看具体的业务需求。大多数清洗，需要将一些总结类的语句删除，不合法的返回内容删除。这里不提供相应的清洗的方案。

至此，一个完整的数据链就已经完结。

完整源码

browser.py

import subprocess, datetime
import os, signal, psutil


def run_cmd(port=9200):
    cmd = [
        # chrome浏览器路径。
        'C:/Program Files/Google/Chrome/Application/chrome.exe',
        # 【必要】设置浏览器端口
        '--remote-debugging-port=%s' % port,
        # 【必要】设置浏览器数据存储路径
        '--user-data-dir=E:/browser_data',
        # 隐藏一些弹窗之类的信息
        '--hide-crash-restore-bubble',
        # 设置浏览器分辨率。如果要跑多个浏览器可以将每个浏览器设置小一些
        '--force-device-scale-factor=1',
        # 假设代理地址为 http://127.0.0.1:10809
        '--proxy-server=http://127.0.0.1:10809',
        # 默认打开一个空白页面
        'about:blank'
    ]
    process = subprocess.Popen(cmd)
    # 返回pid 用于关闭浏览器杀死进程
    return process.pid


def kill_process(parent_pid):
    try:
        # 获取父进程
        parent = psutil.Process(parent_pid)
        # 获取父进程的所有子进程（包括孙子进程等）
        children = parent.children(recursive=True)
        # 创建一个包含父进程PID的列表
        pids_to_kill = [parent_pid]
        # 将所有子进程的PID添加到列表中
        pids_to_kill.extend(child.pid for child in children)
        # 遍历列表，对每个PID发送SIGKILL信号
        for pid in pids_to_kill:
            try:
                os.kill(pid, signal.SIGILL)
            except PermissionError:
                # 忽略权限错误，可能我们没有权限杀死某个进程
                print("close browser PermissionError")
                pass
            except ProcessLookupError:
                # 忽略进程查找错误，进程可能已经自然死亡
                print("close browser ProcessLookupError")
                pass
    except (psutil.NoSuchProcess, PermissionError):
        # 忽略错误，如果进程不存在或者没有权限
        print("close browser PermissionError1")
        pass
    return True


def open_browser():
    """
    打开浏览器
    """
    # 打开指定端口的浏览器
    pid = run_cmd(9200)
    return pid


def close_browser(pid):
    """
    关闭浏览器
    """
    # pid 为打开浏览器获取到的进程id
    kill_process(pid)


pid = open_browser()
print(pid)

# close_browser(25996)

spider.py

import time
import traceback

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.common.keys import Keys
from fake_useragent import UserAgent
import subprocess, datetime
import os

chrome_options = Options()
ua = UserAgent()
# 浏览器端口信息，取决于启动浏览器设置的端口
browser_port = 9200
browser_host = "127.0.0.1"

random_ua = ua.random
chrome_options.add_argument(f'user-agent={random_ua}')

# 设置要连接的浏览器端口信息
chrome_options.add_experimental_option("debuggerAddress", "%s:%s" % (browser_host, browser_port))
driver = webdriver.Chrome(options=chrome_options)


def open_gpt_page():
    driver.implicitly_wait(10)
    driver.get("https://chat.openai.com/")


def new_chat():
    """
    该方案当前只适用于已经登录到chatgpt的页面。不适用非的登录页面
    """
    # 定位到新聊天元素
    new_chat_dom = driver.find_element(By.CSS_SELECTOR, '[data-testid="create-new-chat-button"]')
    # 发起点击，进入新界面
    new_chat_dom.click()


def get_input_box():
    return driver.find_element(By.ID, "prompt-textarea")


def get_ask_list():
    return [
        "请用Python写一个平均等分list的方案",
        "请写一个关于小猪佩奇的笑话，要求：小猪佩奇可能不是猪，而是河马, 100字",
        "称赞一个女生长得漂亮，如何不直接称赞也能看出来在形容她漂亮"
    ]


def get_response():
    # 等待响应完成
    idx = 0
    while True:
        idx = idx + 1
        # 请求超时
        if idx > 180:
            break
        time.sleep(1)
        try:
            driver.find_element(By.CSS_SELECTOR, '[data-testid="bad-response-turn-action-button"]')
            break
        except:
            continue

    # 获取请求结果
    idx = 0
    content = None
    while True:
        idx = idx + 1
        # 请求超时
        if idx > 180:
            break
        time.sleep(1)
        try:
            html_dom = driver.find_element(By.CSS_SELECTOR, '.markdown')
            content = html_dom.get_attribute('innerHTML')
            break
        except:
            continue

    return content


def simulator(ask_msg):
    # 进入输入框并且点击
    print("进入输入框并且点击")
    textarea_dom = get_input_box()
    textarea_dom.click()

    # 发送
    ask_msg_arr = ask_msg.split('\n')
    for msg_line in ask_msg_arr:
        textarea_dom.send_keys(msg_line)
    textarea_dom.send_keys(Keys.ENTER)

    # 获取响应
    content = get_response()

    # 保存数据到文件
    root_path = "./data"
    os.makedirs(root_path, exist_ok=True)
    full_path = f"{root_path}/%s.text" % int(time.time())
    with open(full_path, 'w', encoding='utf-8') as file:
        file.write(content)
    print("save success")


def start():
    open_gpt_page()
    print("页面加载完毕")
    time.sleep(3)
    ask_list = get_ask_list()

    for ask_msg in ask_list:
        time.sleep(3)
        print("进入新的聊天")
        new_chat()
        print("current msg %s" % ask_msg)
        for retry in range(0,3):
            try:
                simulator(ask_msg)
                break
            except:
                print(traceback.format_exc())
                time.sleep(10)
                pass

start()

requirements.txt

fake_useragent==1.2.1
psutil==5.9.5
selenium==4.26.1

获取扩展源码

扩展源码是基于 chatgpt聊天页面，通过多个浏览器并行数据爬取，包含以下功能：

  1. 基于数据库创建问题队列

  2. 创建多个浏览器窗口多线程并行运行，提高产量和效率

  3. 解决人工校验-自动化进行人工校验

  4. 为多个浏览器配置不同的代理方案

  5. 代理配置，为浏览器自动化分配代理，

  6. 通过web端进行浏览器管理，代理管理，代理分配等

需要以上扩展源码，QQ:1186969412


http://www.kler.cn/a/378828.html

相关文章：

  • Linux下Java的多种方式安装
  • Nature文章《deep learning》文章翻译
  • （七）Python运算符和优先级
  • 二、应用层，《计算机网络（自顶向下方法 第7版，James F.Kurose，Keith W.Ross）》
  • java、excel表格合并、指定单元格查找、合并文件夹
  • 实体（Entity）详解
  • 数据结构，问题 C: 后缀表达式
  • Java NIO 【处理消息边界】
  • 基于 Spring Boot 和 Vue 的大学生入伍管理创新系统
  • CSS中display和visibility的区别
  • pnpm install安装element-plus的版本跟package.json指定的版本不一样
  • Hive SQL 和 SQL 的区别总结（持续更新中.....）
  • UV紫外相机
  • 在 C/C++ 之中为什么应该建议使用C函数库定义的基础数值类型，而不是编译默认的关键字类型？
  • Javase——正则表达式
  • C#开发webService接口
  • aws(学习笔记第九课) 使用AWS的网络存储EBS
  • Git 概述及相关命令（1）
  • 【小白学机器学习28】 统计学脉络+ 总体+ 随机抽样方法
  • 【Git】Git 版本控制与协作开发指南
  • 在VSCode中读取Markdown文件
  • 【linux-Day7】Vim的使用和简单配置
  • 前端技术月刊-2024.11
  • Google 地图类型
  • mysq-B+Treel(一)
  • 【HTML】——VSCode 基本使用入门和常见操作