Python爬蟲爬驗(yàn)證碼實(shí)現(xiàn)功能詳解
主要實(shí)現(xiàn)功能:
- 登陸網(wǎng)頁(yè)
- 動(dòng)態(tài)等待網(wǎng)頁(yè)加載
- 驗(yàn)證碼下載
很早就有一個(gè)想法,就是自動(dòng)按照腳本執(zhí)行一個(gè)功能,節(jié)省大量的人力——個(gè)人比較懶?;藥滋鞂懥藢?,本著想完成驗(yàn)證碼的識(shí)別,從根本上解決問(wèn)題,只是難度太高,識(shí)別的準(zhǔn)確率又太低,計(jì)劃再次告一段落。
希望這次經(jīng)歷可以與大家進(jìn)行分享和交流。
Python打開(kāi)瀏覽器
相比與自帶的urllib2模塊,操作比較麻煩,針對(duì)于一部分網(wǎng)頁(yè)還需要對(duì)cookie進(jìn)行保存,很不方便。于是,我這里使用的是Python2.7下的selenium模塊進(jìn)行網(wǎng)頁(yè)上的操作。
測(cè)試網(wǎng)頁(yè):http://graduate.buct.edu.cn
打開(kāi)網(wǎng)頁(yè):(需下載chromedriver)
為了支持中文字符輸出,我們需要調(diào)用sys模塊,把默認(rèn)編碼改為 UTF-8
<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(yè)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(shí)時(shí)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(lái)我們需要進(jìn)行登錄操作:這里我使用的是Chrome,右鍵選擇需要進(jìn)行填寫內(nèi)容的部分,選擇檢查,會(huì)自動(dòng)轉(zhuǎn)跳到 F12下的開(kāi)發(fā)者模式(全程需要這個(gè)功能來(lái)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(gè)value = “1”,考慮到下拉框的屬性,我們只要想辦法把這個(gè)value賦值給UserRole就好了。
這里使用的是通過(guò)selenium的Select模塊來(lái)進(jìn)行選擇,定位控件使用 find_element_by_**,能一一對(duì)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(dòng)填充完的效果,之后就會(huì)轉(zhuǎn)跳到下一頁(yè)。
這里,我需要的是功能是自動(dòng)對(duì)學(xué)術(shù)報(bào)告進(jìn)行報(bào)名
對(duì)需要已有的報(bào)告右鍵即可發(fā)現(xiàn)和這個(gè)活動(dòng)有關(guān)的消息,因現(xiàn)在沒(méi)有報(bào)告,所以只顯示了標(biāo)題,但對(duì)于后面的有效報(bào)告識(shí)別有相似的地方。
對(duì)于元素的定位,我優(yōu)先選擇了 xpath,根據(jù)測(cè)試,可以唯一定位一個(gè)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(lái)我們要進(jìn)行的步驟是爬取現(xiàn)有的有效報(bào)告:
<code class="hljs axapta"># 尋找有效報(bào)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(bào)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(kāi)始時(shí)間 startTime = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(currentLecture) + ']/td[4]').text # 截止時(shí)間 endTime = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(currentLecture) + ']/td[5]').text</code>
爬取驗(yàn)證碼
對(duì)網(wǎng)頁(yè)中的驗(yàn)證碼進(jìn)行元素審查后,我們發(fā)現(xiàn)了其中的一個(gè)一個(gè)鏈接,是 IdentifyingCode.apsx,后面我們就對(duì)這個(gè)頁(yè)面進(jìn)行加載,并批量獲取驗(yàn)證碼。
爬取的思路是用selenium截取當(dāng)前頁(yè)面(僅顯示部分),并保存到本地——需要翻頁(yè)并截取特定位置的請(qǐng)研究:
broswer.set_window_position(**)相關(guān)函數(shù);然后人工進(jìn)行驗(yàn)證碼的定位,通過(guò)PIL模塊進(jìn)行截取并保存。
最后調(diào)用谷歌在Python下的pytesser進(jìn)行字符識(shí)別,但這個(gè)網(wǎng)站的驗(yàn)證碼有很多的干擾,外加字符旋轉(zhuǎn),僅僅能識(shí)別其中的一部分字符。
<code class="hljs livecodeserver"># 獲取驗(yàn)證碼并驗(yàn)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(yàn)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(yàn)證碼 authCodeURL = broswer.find_element_by_xpath('//*[@id="Table2"]/tbody/tr[2]/td/p/img').get_attribute('src') # 獲取驗(yàn)證碼地址 # 獲取學(xué)習(xí)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(lái)的驗(yàn)證碼
一部分驗(yàn)證碼原圖:
從上面的驗(yàn)證碼看出,字符是帶旋轉(zhuǎn)的,而且因?yàn)樾D(zhuǎn)造成的重疊對(duì)于后續(xù)的識(shí)別也有很大的影響。我曾嘗試過(guò)使用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,但因沒(méi)有進(jìn)行特征向量的提取,準(zhǔn)確率低得離譜。
關(guān)于Python爬蟲爬驗(yàn)證碼實(shí)現(xiàn)功能詳解就給大家介紹到這里,希望對(duì)大家有所幫助!
- 用Python爬蟲破解滑動(dòng)驗(yàn)證碼的案例解析
- python網(wǎng)絡(luò)爬蟲實(shí)現(xiàn)發(fā)送短信驗(yàn)證碼的方法
- Python爬蟲爬取ts碎片視頻+驗(yàn)證碼登錄功能
- python爬蟲如何解決圖片驗(yàn)證碼
- Python爬蟲模擬登陸嗶哩嗶哩(bilibili)并突破點(diǎn)選驗(yàn)證碼功能
- Python3爬蟲里關(guān)于識(shí)別微博宮格驗(yàn)證碼的知識(shí)點(diǎn)詳解
- Python3爬蟲關(guān)于識(shí)別點(diǎn)觸點(diǎn)選驗(yàn)證碼的實(shí)例講解
- Python3爬蟲關(guān)于識(shí)別檢驗(yàn)滑動(dòng)驗(yàn)證碼的實(shí)例
- Python3爬蟲中識(shí)別圖形驗(yàn)證碼的實(shí)例講解
- Python3網(wǎng)絡(luò)爬蟲開(kāi)發(fā)實(shí)戰(zhàn)之極驗(yàn)滑動(dòng)驗(yàn)證碼的識(shí)別
- python爬蟲解決驗(yàn)證碼的思路及示例
- Python爬蟲實(shí)現(xiàn)驗(yàn)證碼登錄代碼實(shí)例
- python爬蟲之驗(yàn)證碼篇3-滑動(dòng)驗(yàn)證碼識(shí)別技術(shù)
- python爬蟲之自動(dòng)登錄與驗(yàn)證碼識(shí)別
- Python爬蟲模擬登錄帶驗(yàn)證碼網(wǎng)站
- 爬蟲Python驗(yàn)證碼識(shí)別入門
相關(guān)文章
Opencv圖像處理:如何判斷圖片里某個(gè)顏色值占的比例
這篇文章主要介紹了Opencv圖像處理:如何判斷圖片里某個(gè)顏色值占的比例,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-06-06Python桌面應(yīng)用開(kāi)發(fā)實(shí)戰(zhàn)之PyQt的安裝使用
這篇文章主要給大家介紹了關(guān)于Python桌面應(yīng)用開(kāi)發(fā)實(shí)戰(zhàn)之PyQt的安裝使用,PyQt是一個(gè)功能強(qiáng)大的Python庫(kù),用于創(chuàng)建圖形用戶界面(GUI)應(yīng)用程序,需要的朋友可以參考下2023-08-08python3.6使用pymysql連接Mysql數(shù)據(jù)庫(kù)
這篇文章主要為大家詳細(xì)介紹了python3.6使用pymysql連接Mysql數(shù)據(jù)庫(kù),以及簡(jiǎn)單的增刪改查操作,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下2018-05-05python+pyqt實(shí)現(xiàn)右下角彈出框
這篇文章主要為大家詳細(xì)介紹了python+pyqt實(shí)現(xiàn)右下角彈出框,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下2017-10-10基于Matplotlib?調(diào)用?pyplot?模塊中?figure()?函數(shù)處理?figure圖形對(duì)象
這篇文章主要介紹了基于Matplotlib?調(diào)用?pyplot?模塊中?figure()?函數(shù)處理?figure圖形對(duì)象,matplotlib.pyplot模塊能夠快速地生成圖像,但如果使用面向?qū)ο蟮木幊趟枷耄覀兙涂梢愿玫乜刂坪妥远x圖像,下面就來(lái)詳細(xì)介紹其內(nèi)容,需要的朋友可以參考下2022-02-02超詳細(xì)注釋之OpenCV旋轉(zhuǎn)圖像任意角度
這篇文章主要介紹了OpenCV旋轉(zhuǎn)圖像任意角度,本文給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2021-09-09python讀取word 中指定位置的表格及表格數(shù)據(jù)
這篇文章主要介紹了python讀取word 中指定位置的表格及表格數(shù)據(jù),本文通過(guò)實(shí)例代碼給大家介紹的非常詳細(xì),具有一定的參考借鑒價(jià)值,需要的朋友參考下吧2019-10-10使用 NumPy 和 Matplotlib 繪制函數(shù)圖
Matplotlib 是 Python 的繪圖庫(kù)。 它可與 NumPy 一起使用,提供了一種有效的 MatLab 開(kāi)源替代方案。 它也可以和圖形工具包一起使用,如 PyQt 和 wxPython2021-09-09