AJAX、Tesseract
动态网页数据抓取
AJAX：
AJAX（Asynchronouse JavaScript And XML）异步JavaScript和XML。
在后台与服务器进行少量数据交换，Ajax 可以使网页实现异步更新。这意味着可以在不重新加载整个网页的情况下，对网页的某部分进行更新。
传统的网页（不使用Ajax）如果需要更新内容，必须重载整个网页页面。因为传统的在传输数据格式方面，使用的是XML语法。
AJAX其实现在数据交互基本上都是使用JSON。
使用AJAX加载的数据，即使使用了JS，将数据渲染到了浏览器中，在右键->查看网页源代码还是不能看到通过ajax加载的数据，只能看到使用这个url加载的html代码。
获取ajax数据的方式：
- 直接分析ajax调用的接口。然后通过代码请求这个接口。
- 使用Selenium+chromedriver模拟浏览器行为获取数据。
https://www.cnblogs.com/jjb1997/articles/11256243.html
| 方式 | 优点 | 缺点 |
|---|---|---|
| 分析接口 | 直接可以请求到数据。不需要做一些解析工作。代码量少，性能高。 | 分析接口比较复杂，特别是一些通过js混淆的接口，要有一定的js功底。容易被发现是爬虫。 |
| selenium | 直接模拟浏览器的行为。浏览器能请求到的，使用selenium也能请求到。爬虫更稳定。 | 代码量多。性能低。 |
Selenium+chromedriver获取动态数据：
Selenium相当于是一个机器人。可以模拟人类在浏览器上的一些行为，自动处理浏览器上的一些行为，比如点击，填充数据，删除cookie等。
chromedriver是一个驱动Chrome浏览器的驱动程序，使用他才可以驱动浏览器。
安装Selenium和chromedriver：
安装Selenium：Selenium有很多语言的版本，有java、ruby、python等。我们下载python版本的就可以了。：pip install selenium
安装chromedriver：下载完成后，放到不需要权限的纯英文目录下就可以了。
selenium常用操作：
更多教程请参考：http://selenium-python.readthedocs.io/installation.html#introduction
关闭页面：
driver.close()：关闭当前页面。
driver.quit()：退出整个浏览器。
定位元素：（后面一种应加上 from selenium.webdriver.common.by import By）
-
-
-
find_element_by_id：根据id来查找某个元素。等价于：submitTag = driver.find_element_by_id('su') submitTag1 = driver.find_element(By.ID,'su')find_element_by_class_name：根据类名查找元素。 等价于：submitTag = driver.find_element_by_class_name('su') submitTag1 = driver.find_element(By.CLASS_NAME,'su')find_element_by_name：根据name属性的值来查找元素。等价于：submitTag = driver.find_element_by_name('email') submitTag1 = driver.find_element(By.NAME,'email')find_element_by_tag_name：根据标签名来查找元素。等价于：submitTag = driver.find_element_by_tag_name('div') submitTag1 = driver.find_element(By.TAG_NAME,'div')find_element_by_xpath：根据xpath语法来获取元素。等价于：submitTag = driver.find_element_by_xpath('//div') submitTag1 = driver.find_element(By.XPATH,'//div')-
find_element_by_css_selector：根据css选择器选择元素。等价于：submitTag = driver.find_element_by_css_selector('//div') submitTag1 = driver.find_element(By.CSS_SELECTOR,'//div')
-
-
注意：
find_element是获取第一个满足条件的元素。find_elements是获取所有满足条件的元素。
如果只想要解析网页中的数据，那么推荐将网页源代码扔给 lxml 来解析，因为 lxml 底层使用的是C语言，所以解析效率会更高；
如果想要对元素进行一些操作，比如给一个文本框输入值，或者是点击某个按钮， 那么就必须使用selenium给我们提供的查找元素的方法。
操作表单元素：
常见的表单元素：
input ； | button、input[type="submit"] ； | checkbox:input="checkbox" ; | select：下拉列表
操作输入框：分为两步。 | 第一步：找到这个元素。第二步：使用send_keys(value)，将数据填充进去。
inputTag = driver.find_element_by_id('kw') inputTag.send_keys('python')
使用clear方法可以清除输入框中的内容。
操作checkbox：因为要选中checkbox标签，在网页中是通过鼠标点击的。
因此想要选中checkbox标签，那么先选中这个标签，然后执行click事件。
rememberTag = driver.find_element_by_name("rememberMe") rememberTag.click()
选择select：select元素不能直接点击。因为点击后还需要选中元素。
这时候selenium就专门为select标签提供了一个类selenium.webdriver.support.ui.Select。将获取到的元素当成参数传到这个类中，创建这个对象。以后就可以使用这个对象进行选择了。
from selenium.webdriver.support.ui import Select # 选中这个标签，然后使用Select创建对象 selectTag = Select(driver.find_element_by_name("jumpMenu")) # 根据索引选择 selectTag.select_by_index(1) # 根据值选择 selectTag.select_by_value("http://www.95yueba.com") # 根据可视的文本选择 selectTag.select_by_visible_text("95秀客户端") # 取消选中所有选项 selectTag.deselect_all()
区分value 和 index 。
操作按钮：操作按钮有很多种方式。比如单击、右击、双击等。这里讲一个最常用的。就是点击。直接调用click函数就可以了。
inputTag = driver.find_element_by_id('su') inputTag.click()
行为链：
导入： from selenium。webdriver.common.action_chains import ActionChains
有时候在页面中的操作可能要有很多步，那么这时候可以使用鼠标行为链类ActionChains来完成。
inputTag = driver.find_element_by_id('kw') submitTag = driver.find_element_by_id('su') actions = ActionChains(driver) actions.move_to_element(inputTag) actions.send_keys_to_element(inputTag,'python') actions.move_to_element(submitTag) actions.click(submitTag) actions.perform()
更多的鼠标相关的操作：
click_and_hold(element)：点击但不松开鼠标。
context_click(element)：右键点击。
double_click(element)：双击。
更多方法请参考：http://selenium-python.readthedocs.io/api.html
Cookie操作：
- 获取所有的
cookie：for cookie in driver.get_cookies(): print(cookie) - 根据cookie的key获取value：
value = driver.get_cookie(key) - 删除所有的cookie：
driver.delete_all_cookies() - 删除某个
cookie：driver.delete_cookie(key)
- 获取所有的
页面等待：
现在的网页越来越多采用了 Ajax 技术，这样程序便不能确定何时某个元素完全加载出来了。
如果实际页面等待时间过长导致某个dom元素还没出来，但是你的代码直接使用了这个WebElement，那么就会抛出NullPointer的异常。
为了解决这个问题。所以 Selenium 提供了两种等待方式：
一种是隐式等待、一种是显式等待。
隐式等待：调用 driver.implicitly_wait。那么在获取不可用的元素之前，会先等待设定时间。
driver = webdriver.Chrome(executable_path=driver_path) driver.implicitly_wait(10) # 请求网页 driver.get("https://www.douban.com/")
显式等待：显示等待是表明某个条件成立后才执行获取元素的操作。也可以在等待的时候指定一个最大的时间，如果超过这个时间那么就抛出一个异常。
显示等待应该使用selenium.webdriver.support.excepted_conditions期望的条件和selenium.webdriver.support.ui.WebDriverWait来配合完成。（导入）
from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC driver = webdriver.Firefox() driver.get("http://somedomain/url_that_delays_loading") try: element = WebDriverWait(driver, 10).until( EC.presence_of_element_located((By.ID, "myDynamicElement")) ) finally: driver.quit()
一些其他的等待条件：
-
-
-
-
- presence_of_element_located：某个元素已经加载完毕了。（只能传一个参数，多个参数的传递可以使用元组方式）
- presence_of_all_emement_located：网页中所有满足条件的元素都加载完毕了。
-
element_to_be_cliable：某个元素是可以点击了。
-
-
-
更多条件请参考：http://selenium-python.readthedocs.io/waits.html
切换页面：
使用execute_script来执行JavaScript代码。
有时候窗口中有很多子tab页面。这时候肯定是需要进行切换的。
selenium提供了一个叫做switch_to_window来进行切换，具体切换到哪个页面，可以从driver.window_handles中找到。
# 打开一个新的页面 self.driver.execute_script("window.open('"+url+"')") # 切换到这个新的页面中 self.driver.switch_to_window(self.driver.window_handles[1])
注意：
虽然窗口中切换到了新的页面，但是driver中还没有切换； 如果想要在代码中切换到新的页面，并且做一些爬虫，那么应该用driver.switch_to_window来切换到指定的窗口
从driver.window_handles中取出具体第几个窗口； | driver.window_handles是一个列表，里面装的是窗口句柄。它会按照打开页面的顺序来存储窗口的句柄。
设置代理ip：
有时候频繁爬取一些网页。服务器发现你是爬虫后会封掉你的ip地址。这时候我们可以更改代理ip。更改代理ip，不同的浏览器有不同的实现方式。
from selenium import webdriver options = webdriver.ChromeOptions() options.add_argument("--proxy-server=http://110.73.2.248:8123") driver_path = r"D:\ProgramApp\chromedriver\chromedriver.exe" driver = webdriver.Chrome(executable_path=driver_path,chrome_options=options) driver.get('http://httpbin.org/ip')
WebElement元素：
from selenium.webdriver.remote.webelement import WebElement类是每个获取出来的元素的所属类。
有一些常用的属性：
- get_attribute：这个标签的某个属性的值。
- screentshot：获取当前页面的截图。这个方法只能在
driver上使用。driver的对象类，也是继承自WebElement。
更多请阅读相关源代码。
图形验证码识别技术：
阻碍我们爬虫的。有时候正是在登录或者请求一些数据时候的图形验证码。因此这里我们讲解一种能将图片翻译成文字的技术。
将图片翻译成文字一般被成为光学文字识别（Optical Character Recognition），简写为OCR。实现OCR的库不是很多，特别是开源的。因为这块存在一定的技术壁垒（需要大量的数据、算法、机器学习、深度学习知识等），并且如果做好了具有很高的商业价值。因此开源的比较少。这里介绍一个比较优秀的图像识别开源库：Tesseract。
Tesseract：
Tesseract是一个OCR库，目前由谷歌赞助。Tesseract是目前公认最优秀、最准确的开源OCR库。
Tesseract具有很高的识别度，也具有很高的灵活性，他可以通过训练识别任何字体。
安装：
Windows系统：
在以下链接下载可执行文件，然后一顿点击下一步安装即可（放在不需要权限的纯英文路径下）：
https://github.com/tesseract-ocr/
设置环境变量：
安装完成后，如果想要在命令行中使用Tesseract，那么应该设置环境变量。在Windows下把tesseract.exe所在的路径添加到PATH环境变量中。
还有一个环境变量需要设置的是，要把训练的数据文件路径也放到环境变量中。
在环境变量中，添加一个TESSDATA_PREFIX=C:\path_to_tesseractdata\teseractdata。
在命令行中使用tesseract识别图像：
如果想要在cmd下能够使用tesseract命令，那么需要把tesseract.exe所在的目录放到PATH环境变量中。然后使用命令：tesseract 图片路径 文件路径。
示例：tesseract a.png a
那么就会识别出a.png中的图片，并且把文字写入到a.txt中。如果不想写入文件直接想显示在终端，那么不要加文件名就可以了。
在代码中使用tesseract识别图像：
在Python代码中操作tesseract。需要安装一个库，叫做pytesseract。通过pip的方式即可安装：pip install pytesseract
并且，需要读取图片，需要借助一个第三方库叫做PIL。通过pip list看下是否安装。如果没有安装，通过pip的方式安装：pip install PIL
使用pytesseract将图片上的文字转换为文本文字的示例代码如下： # 导入pytesseract库 import pytesseract # 导入Image库 from PIL import Image # 指定tesseract.exe所在的路径 pytesseract.pytesseract.tesseract_cmd = r'D:\ProgramApp\TesseractOCR\tesseract.exe' # 打开图片 image = Image.open("a.png") # 调用image_to_string将图片转换为文字 text = pytesseract.image_to_string(image) print(text)
实例：
用pytesseract处理拉勾网图形验证码： import pytesseract from urllib import request from PIL import Image import time pytesseract.pytesseract.tesseract_cmd = r"D:\ProgramApp\TesseractOCR\tesseract.exe" while True: captchaUrl = "https://passport.lagou.com/vcode/create?from=register&refresh=1513081451891" request.urlretrieve(captchaUrl,'captcha.png') image = Image.open('captcha.png') text = pytesseract.image_to_string(image,lang='eng') print(text) time.sleep(2)
浙公网安备 33010602011771号