BlackHat USA 2020资料爬虫最佳姿势 (附下载)

现在BlackHat官网的ppt下载真是麻烦，不再像以前放在一页里面直接显示，而是在议题列表里面，一个个点进去翻看才能下载。

这种事真要一个个去下载，近百个议题，你得下到手软。

不搞个爬虫去自动化下载，都对不起攻城师的头衔。

原本是想用scrapy写个python脚本去批量下载，后来决定用更加高效的方法：使用Web Scraper这个Chrome插件，通过点鼠标就可解决，无需编写代码。可直接在浏览器里面模拟网页浏览与操作，可以有效绕过一些反爬虫机制。

通过Chrome商店安装好Web Scraper后，在其“开发者工具”里面可以看到：

点击“Create new sitemap”，设置下任务的名称，以及爬虫的起始页，这里就取BlackHat的议题列表地址：

创建后点击“Add new selector"：

设置id，Type为“Link"，为的是获取二级页面的链接地址，选择”Select”，然后在页面中去选择链接的位置，它会实时显示出红框，帮助你识别。

注意：这里必须勾选“Multiple”，否则无法选上所有议题链接：

点击创建的“session”进入议题详情页面，即二级页面：

接下来就要获取PDF下载地址了，这里包括slide和paper两个下载地址（不一定都有提供，但全选上不影响），然后继续按前面的操作去添加selector(下载链接的页面元素)。此处“Type”选“Link”而不是“Element click”去模拟点击下载，是因为chrome里面点击pdf链接会直接打开，所以获取链接地址再用命令行去下载：

这里“Parent Selectors”就是父页面中我们设置的对应id，层级关系相当于爬虫进入下一页再找目标元素一样，用它我们也可以实现翻页效果（翻页经常在get参数中设置，所以有时可以直接在起始URL中设置页参数范围，比如http://test.com/abc?page=[0-100]），保持默认就可以了。