[1 打码平台](#1 打码平台)
[1.1 案例](#1.1 案例)
[2 打码平台自动登录打码平台](#2 打码平台自动登录打码平台)
[3 selenium爬取京东商品信息](#3 selenium爬取京东商品信息)
[4 scrapy介绍安装](#4 scrapy介绍安装)
[5 scrapy目录结构](#5 scrapy目录结构)
1 打码平台
python
# 1 登录某些网站，会有验证码---》想自动破解
-数字字母：python模块：ddddocr
-计算题，成语题，滑块...：第三方打码平台，人工操作
# 2 打码平台
-云打码，超级鹰
# 3 咱们破解网站登录的思路
-使用selenium----》打开网站----》（不能解析出验证码地址）---》使用截图1.1 超级鹰案例
python
import requests
from hashlib import md5
class ChaojiyingClient(object):
def __init__(self, username, password, soft_id):
self.username = username
password = password.encode('utf8')
self.password = md5(password).hexdigest()
self.soft_id = soft_id
self.base_params = {
'user': self.username,
'pass2': self.password,
'softid': self.soft_id,
}
self.headers = {
'Connection': 'Keep-Alive',
'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
}
def PostPic(self, im, codetype):
"""
im: 图片字节
codetype: 题目类型 参考 http://www.chaojiying.com/price.html
"""
params = {
'codetype': codetype,
}
params.update(self.base_params)
files = {'userfile': ('ccc.jpg', im)}
r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files,
headers=self.headers)
return r.json()
def PostPic_base64(self, base64_str, codetype):
"""
im: 图片字节
codetype: 题目类型 参考 http://www.chaojiying.com/price.html
"""
params = {
'codetype': codetype,
'file_base64': base64_str
}
params.update(self.base_params)
r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, headers=self.headers)
return r.json()
def ReportError(self, im_id):
"""
im_id:报错题目的图片ID
"""
params = {
'id': im_id,
}
params.update(self.base_params)
r = requests.post('http://upload.chaojiying.net/Upload/ReportError.php', data=params, headers=self.headers)
return r.json()
if __name__ == '__main__':
chaojiying = ChaojiyingClient('超级鹰账号', '超级鹰账号的密码', '903641') # 用户中心>>软件ID 生成一个替换 96001
im = open('a.jpg', 'rb').read() # 本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
print(chaojiying.PostPic(im, 1004)) # 1902 验证码类型 官方网站>>价格体系 3.4+版 print 后要加()
# print chaojiying.PostPic(base64_str, 1902) #此处为传入 base64代码2 打码平台自动登录打码平台
python
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
from PIL import Image
from chaojiying import ChaojiyingClient
bro = webdriver.Chrome()
bro.maximize_window()
try:
# 1 打开页面
bro.get('https://www.chaojiying.com/user/login/')
# 2 找到用户名，密码，验证码的输入框
username = bro.find_element(By.XPATH, '/html/body/div[3]/div/div[3]/div[1]/form/p[1]/input')
password = bro.find_element(By.XPATH, '/html/body/div[3]/div/div[3]/div[1]/form/p[2]/input')
code = bro.find_element(By.XPATH, '/html/body/div[3]/div/div[3]/div[1]/form/p[3]/input')
time.sleep(2)
username.send_keys('账号')
time.sleep(2)
password.send_keys('密码')
# 3 验证码破解---》网页屏幕截图---》根据验证码图片的位置和大小，从网页截图中扣出验证码图片---》调用超级鹰--》完成破解---》填入
# 网页截图
bro.save_screenshot('main.png')
# 找到img的大小和位置
img = bro.find_element(By.XPATH, '/html/body/div[3]/div/div[3]/div[1]/form/div/img')
location = img.location
size = img.size
print('大小是：', img.size)
print('位置是：', img.location)
# 获取图的 起始位置坐标 结束位置坐标
img_tu = (
int(location['x']), int(location['y']), int(location['x'] + size['width']), int(location['y'] + size['height']))
# 使用pillow截图
# #打开
img = Image.open('./main.png')
# 抠图
fram = img.crop(img_tu)
# 截出来的小图
fram.save('code.png')
# 调用超级鹰--》完成破解
chaojiying = ChaojiyingClient('超级鹰账号', '密码', '903641')
im = open('code.png', 'rb').read()
res = chaojiying.PostPic(im, 1902)
if res.get('err_no') == 0:
code_img_text = res.get('pic_str')
# 写入到验证码中
code.send_keys(code_img_text)
time.sleep(3)
submit = bro.find_element(By.XPATH, '/html/body/div[3]/div/div[3]/div[1]/form/p[4]/input')
submit.click()
time.sleep(5)
except Exception as e:
print(e)
finally:
bro.close()3 selenium爬取京东商品信息
python
import time
import json
from selenium import webdriver
bro = webdriver.Chrome()
bro.get('https://passport.jd.com/new/login.aspx?ReturnUrl=https%3A%2F%2Fwww.jd.com%2F')
bro.implicitly_wait(10)
bro.maximize_window()
input('需要手动扫码登录，登录成功后敲回车')
cookies = bro.get_cookies()
with open('jd.json', 'w', encoding='utf-8') as f:
json.dump(cookies, f)
time.sleep(2)
bro.close()
python
import time
import json
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys # 键盘按键操作
from selenium.webdriver.chrome.options import Options
def get_goods(bro):
# 往下滑动屏幕
bro.execute_script('scrollTo(0,document.documentElement.scrollHeight-600)')
# 来到了商品结果页面，找到页面中所有类名叫 gl-item 的li
li_list = bro.find_elements(By.CLASS_NAME, 'gl-item')
for li in li_list:
try:
name = li.find_element(By.CSS_SELECTOR, 'div.p-name em').text
price = li.find_element(By.CSS_SELECTOR, 'div.p-price i').text
url = li.find_element(By.CSS_SELECTOR, 'div.p-img>a').get_attribute('href')
# 如果不滑动屏幕---》图片先放在 data-lazy-img属性中，只有滑动到底部，图片加载完，src才有值
img = li.find_element(By.CSS_SELECTOR, 'div.p-img>a>img').get_attribute('src')
shop_name = li.find_element(By.CSS_SELECTOR, 'div.p-shop a').text
print('''
商品名字：%s
商品价格：%s
商品地址：%s
图片：%s
店铺名：%s
''' % (name, price, url, img, shop_name))
except Exception as e:
print(e)
continue
# 当前页爬取完成，点击下一页
next = bro.find_element(By.PARTIAL_LINK_TEXT, '下一页')
next.click()
time.sleep(30)
get_goods(bro) # 递归调用自己---》 下一页会出现加载失败请情况----》一直在爬第一页
options = Options()
options.add_argument("--disable-blink-features=AutomationControlled") # 去掉自动化控制
bro = webdriver.Chrome(options=options)
# bro = webdriver.Chrome()
bro.get('https://www.jd.com')
bro.implicitly_wait(10)
bro.maximize_window()
print('写入cookie')
with open('jd.json', 'r') as f:
cookies = json.load(f)
# 写到浏览器中
for item in cookies:
bro.add_cookie(item) # 如果是没登录的cookie，往里写会报错
# 刷新浏览器
bro.refresh()
time.sleep(1)
# 来到首页，找到搜索框
try:
search = bro.find_element(By.ID, 'key')
search.send_keys('卫生纸')
time.sleep(2)
# 敲回车
search.send_keys(Keys.ENTER)
# 获取商品信息
get_goods(bro)
except Exception as e:
print(e)
finally:
bro.close()4 scrapy介绍安装
python
# 爬虫模块：requests bs4 selenium
# 爬虫框架---》不是模块---》类似于django---》爬虫界的django（跟djagno非常像）
# 安装：pip3 install scrapy
-mac，linux 非常好装
-win:看人品：因为twisted装不上
1、pip3 install wheel #安装后，便支持通过wheel文件安装软件，wheel文件官网：https://www.lfd.uci.edu/~gohlke/pythonlibs
3、pip3 install lxml
4、pip3 install pyopenssl
5、下载并安装pywin32：https://sourceforge.net/projects/pywin32/files/pywin32/
6、下载twisted的wheel文件：http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
7、执行pip3 install 下载目录\Twisted-17.9.0-cp36-cp36m-win_amd64.whl
8、pip3 install scrapy
# 装完后----》scripts文件夹下就会有scrapy可执行文件---》类似于(django-admin.exe)
-创建项目，创建爬虫都用它
# 介绍
Scrapy一个开源和协作的框架，其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。但目前Scrapy的用途十分广泛，可用于如数据挖掘、监测和自动化测试等领域，也可以应用在获取API所返回的数据或者通用的网络爬虫。
Scrapy 是基于twisted框架开发而来，twisted是一个流行的事件驱动的python网络框架。因此Scrapy使用了一种非阻塞（又名异步）的代码来实现并发。整体架构大致如下
## 架构
# 1 爬虫(SPIDERS)
SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求
开发人员，主要在这写代码：设置爬取的地址，解析爬取完成的数据，继续爬取或者存储数据
#2 引擎(EGINE)
引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件
# 3 调度器(SCHEDULER)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL的优先级队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
# 4 下载器(DOWLOADER)
用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的
# 5 项目管道(ITEM PIPLINES)
在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作
# 6 下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response，你可用该中间件做以下几件事
# 7 爬虫中间件(Spider Middlewares)
位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）
5 scrapy目录结构
python
# https://www.cnblogs.com/robots.txt 爬虫协议
# 创建scrapy项目
scrapy startproject scrapy_demo
# 使用pycharm打开
# 创建爬虫---》可以创建多个爬虫
scrapy genspider 爬虫名 爬虫地址 # django创建app
scrapy genspider cnblogs www.cnblogs.com # 创建了爬取cnblogs的爬虫
# 运行爬虫：默认直接爬取www.cnblogs.com---》后续需要写代码实现
scrapy crawl 爬虫名字
scrapy crawl cnblogs
# 目录结构
scrapy_demo #项目名
scrapy_demo #包
__init__.py
spiders #包 ，所有爬虫文件，放在这里
__init__.py
cnblogs.py
items.py # 一个个类，等同于djagno的models
pipelines.py # 写如何存储，存到拿
settings.py# 配置文件
middlewares.py # 中间件：两种
scrapy.cfg # 上线用的