Python爬蟲爬驗證碼實現功能詳解

更新時間：2016年04月14日 11:52:45 作者：Buf_Discoverer

這篇文章主要介紹了Python爬蟲爬驗證碼實現功能詳解的相關資料,需要的朋友可以參考下

主要實現功能：

- 登陸網頁

- 動態(tài)等待網頁加載

- 驗證碼下載

很早就有一個想法，就是自動按照腳本執(zhí)行一個功能，節(jié)省大量的人力——個人比較懶?；藥滋鞂懥藢懀局胪瓿沈炞C碼的識別，從根本上解決問題，只是難度太高，識別的準確率又太低，計劃再次告一段落。
希望這次經歷可以與大家進行分享和交流。

Python打開瀏覽器

相比與自帶的urllib2模塊，操作比較麻煩，針對于一部分網頁還需要對cookie進行保存，很不方便。于是，我這里使用的是Python2.7下的selenium模塊進行網頁上的操作。

測試網頁：http://graduate.buct.edu.cn

打開網頁：（需下載chromedriver）

為了支持中文字符輸出，我們需要調用sys模塊，把默認編碼改為 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>

等待網頁加載完畢

使用的是selenium中的WebDriverWait，上面的代碼中已經加載

<code class="hljs livecodeserver">url = 'http://graduate.buct.edu.cn'
broswer.get(url)
wait = WebDriverWait(webdriver,5) #設置超時時間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容的部分，選擇檢查，會自動轉跳到 F12下的開發(fā)者模式（全程需要這個功能來找到相關的資源）。

vczKprbLJnJkcXVvO9Gh1PHT0LnYtcSyv7fWPGJyIC8+DQo8aW1nIGFsdD0="這里寫圖片描述" src="http://m.fzitv.net/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，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，之后就會轉跳到下一頁。

這里，我需要的是功能是自動對學術報告進行報名

對需要已有的報告右鍵即可發(fā)現和這個活動有關的消息，因現在沒有報告，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

對網頁中的驗證碼進行元素審查后，我們發(fā)現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(**)相關函數；然后人工進行驗證碼的定位，通過PIL模塊進行截取并保存。

最后調用谷歌在Python下的pytesser進行字符識別，但這個網站的驗證碼有很多的干擾，外加字符旋轉，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