<code class="hljs python">from selenium.webdriver.support.ui import Select, WebDriverWait
from selenium import webdriver
from selenium import common
from PIL import Image
import pytesser
import sys
reload(sys)
sys.setdefaultencoding('utf8')
broswer = webdriver.Chrome()
broswer.maximize_window()
username = 'test'
password = 'test'
url = 'http://graduate.buct.edu.cn'
broswer.get(url)</code>

等待網(wǎng)頁加載完畢

使用的是selenium中的WebDriverWait，上面的代碼中已經(jīng)加載

<code class="hljs livecodeserver">url = 'http://graduate.buct.edu.cn'
broswer.get(url)
wait = WebDriverWait(webdriver,5) #設(shè)置超時時間5s
# 在這里輸入表單填寫并加載的代碼
elm = wait.until(lambda webdriver: broswer.find_element_by_xpath(xpathMenuCheck))</code>

元素定位、字符輸入

接下來我們需要進行登錄操作：這里我使用的是Chrome，右鍵選擇需要進行填寫內(nèi)容的部分，選擇檢查，會自動轉(zhuǎn)跳到 F12下的開發(fā)者模式（全程需要這個功能來找到相關(guān)的資源）。

vczKprbLJnJkcXVvO9Gh1PHT0LnYtcSyv7fWPGJyIC8+DQo8aW1nIGFsdD0="這里寫圖片描述" src="http://www.dbjr.com.cn/uploadfile/Collfiles/20160414/20160414092144893.png" title="\" />

這里我們看到有一個value = “1”，考慮到下拉框的屬性，我們只要想辦法把這個value賦值給UserRole就好了。
這里使用的是通過selenium的Select模塊來進行選擇，定位控件使用 find_element_by_**，能一一對應(yīng)，很方便。

<code class="hljs sql">select = Select(broswer.find_element_by_id('UserRole'))
select.select_by_value('2')
name = broswer.find_element_by_id('username')
name.send_keys(username)
pswd = broswer.find_element_by_id('password')
pswd.send_keys(password)
btnlg = broswer.find_element_by_id('btnLogin')
btnlg.click()</code>

這是用腳本自動填充完的效果，之后就會轉(zhuǎn)跳到下一頁。

這里，我需要的是功能是自動對學術(shù)報告進行報名

對需要已有的報告右鍵即可發(fā)現(xiàn)和這個活動有關(guān)的消息，因現(xiàn)在沒有報告，所以只顯示了標題，但對于后面的有效報告識別有相似的地方。

對于元素的定位，我優(yōu)先選擇了 xpath，根據(jù)測試，可以唯一定位一個元素的位置，很好用。

<code class="hljs perl">//*[@id="dgData00"]/tbody/tr/td[2] （前面是xpath）</code>

爬取信息

接下來我們要進行的步驟是爬取現(xiàn)有的有效報告：

<code class="hljs axapta"># 尋找有效報告
flag = 1
count = 2
count_valid = 0
while flag:
  try:
    category = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(count) + ']/td[1]').text
    count += 1
  except common.exceptions.NoSuchElementException:
    break
# 獲取報告信息
flag = 1
for currentLecture in range(2, count):
  # 類別
  category = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(currentLecture) + ']/td[1]').text
  # 名稱
  name = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(currentLecture) + ']/td[2]').text
  # 單位
  unitsPublish = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(currentLecture) + ']/td[3]').text
  # 開始時間
  startTime = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(currentLecture) + ']/td[4]').text
  # 截止時間
  endTime = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(currentLecture) + ']/td[5]').text</code>

爬取驗證碼

對網(wǎng)頁中的驗證碼進行元素審查后，我們發(fā)現(xiàn)了其中的一個一個鏈接，是 IdentifyingCode.apsx，后面我們就對這個頁面進行加載，并批量獲取驗證碼。

爬取的思路是用selenium截取當前頁面（僅顯示部分），并保存到本地——需要翻頁并截取特定位置的請研究：

broswer.set_window_position(**)相關(guān)函數(shù)；然后人工進行驗證碼的定位，通過PIL模塊進行截取并保存。

最后調(diào)用谷歌在Python下的pytesser進行字符識別，但這個網(wǎng)站的驗證碼有很多的干擾，外加字符旋轉(zhuǎn)，僅僅能識別其中的一部分字符。

<code class="hljs livecodeserver"># 獲取驗證碼并驗證（僅僅一幅）
authCodeURL = broswer.find_element_by_xpath('//*[@id="Table2"]/tbody/tr[2]/td/p/img').get_attribute('src') # 獲取驗證碼地址
broswer.get(authCodeURL)
broswer.save_screenshot('text.png')
rangle = (0, 0, 64, 28)
i = Image.open('text.png')
frame4 = i.crop(rangle)
frame4.save('authcode.png')
qq = Image.open('authcode.png')
text = pytesser.image_to_string(qq).strip()</code>
<code class="hljs axapta"># 批量獲取驗證碼
authCodeURL = broswer.find_element_by_xpath('//*[@id="Table2"]/tbody/tr[2]/td/p/img').get_attribute('src') # 獲取驗證碼地址
# 獲取學習樣本
for count in range(10):
  broswer.get(authCodeURL)
  broswer.save_screenshot('text.png')
  rangle = (1, 1, 62, 27)
  i = Image.open('text.png')
  frame4 = i.crop(rangle)
  frame4.save('authcode' + str(count) + '.png')
  print 'count:' + str(count)
  broswer.refresh()
broswer.quit()</code>

爬取下來的驗證碼