python爬虫入门 之 单线程 + 多任务异步协程

第五章 .单线程 + 多任务异步协程

5.1 进程和线程

• 自己写一个服务端

  from flask import Flask
  import time
  ​
  app = Flask(__name__)
  ​
  @app.route('/one')
  def index_one():
      time.sleep(2)
      return  "hello one"
  ​
  @app.route('/two')
  def index_two():
      time.sleep(2)
      return  "hello two"
  ​
  @app.route('/three')
  def index_three():
      time.sleep(2)
      return  "hello three"
  ​
  if __name__ == '__main__':
      app.run(threaded=True)

• 同步代码

  from multiprocessing.dummy import Pool
  import requests
  import time
  ​
  start = time.time()
  pool = Pool(3)
  ​
  urls = ["http://127.0.0.1:5000/one","http://127.0.0.1:5000/two","http://127.0.0.1:5000/three"]
  ​
  for url in urls:
      page_text = requests.get(url,).text
      print(page_text)
  print('总耗时:',time.time()-start)

• 异步代码

  from multiprocessing.dummy import Pool
  import requests
  import time
  ​
  start = time.time()
  pool = Pool(3)
  ​
  urls = ["http://127.0.0.1:5000/one","http://127.0.0.1:5000/two","http://127.0.0.1:5000/three"]
  ​
  def get_request(url):
      return requests.get(url).text
  ​
  response_list = pool.map(get_request,urls)
  print(response_list)
  ​
  #解析
  def parse(page_text):
      print(len(page_text))
  ​
  pool.map(parse,response_list)
  print('总耗时:',time.time()-start)
  print('总耗时:',time.time()-start)

5.2 协程

• asyncio链接https://www.liaoxuefeng.com/wiki/1016959663602400/1017970488768640

• 是一个对象,可以将协程当做一个特殊的函数,如果一个函数的定义被 anync 关键字所修饰,该特殊函数被调用后,函数内部的程序语句不会立即执行 ,而是返回一个协程对象

  from time import sleep
  ​
  async def get_request(url):
      print('正在请求:',url)
      sleep(2)
      print('请求结束')
  ​
  c = get_request("www.baidu.com")
  print(c)    # <coroutine object get_request at 0x000000000A184308>

5.3任务对象(task)

• 所谓的任务对象就是对携程对象的进一步封装,在任务对象中可以实现显示协程对象的运行状况,

• 特点

  • 任务对象最终是要被注册到事件循环对象中的.

  • 回调函数是绑定给任务对象的,只有当任务对象对应的特殊函数被执行完毕后,回调函数才会被执行

• await 挂起的操作,可理解为交出cpu的使用权

• 事件循环对象

  • 无限循环的对象,也可以把其当成是某一种容器,该容器中需要放入多个任务对象(就是一组待执行的代码块)

  • 异步的体现 :当事件循环开始后,该对象会按照顺序执行每一个任务对象,当一个任务对象发生阻塞时不会等待,而是直接执行下一个任务对象

  from time import sleep
  import asyncio
  ​
  #回调函数
  def callback(task):
      print("i am callback")
      print(task.result())    #result 返回的就是任务对象对应的哪个特殊函数的返回值
  ​
  ​
  async def get_request(url):
      print('正在请求:',url)
      sleep(2)
      print('请求结束')
      return "hello world"
  ​
  #创建一个携程对象
  c = get_request("www.baidu.com")
  #封装一个任务对象
  task = asyncio.ensure_future(c)
  ​
  #给任务对象绑定回调函数
  task.add_done_callback(callback)
  ​
  #创建一个事件循环对象
  loop = asyncio.get_event_loop()
  #将任务对象注册到事件循环中并且开启了事件循环
  loop.run_until_complete(task)

5.4多任务异步协程

#注意事项:
1.将多个任务对象存储到一个列表中,然后将该列表注册到事件循环中,在注册的过程中,该列表需要被wait方法进行处理
2.在任务对象对应的特殊函数内部的实现中,不可以出现不支持异步模块的代码,否则就会中断整个的异步效果,并且在该函数的每一阻塞的操作都必须使用await关键字进行修饰
3.requests模块对应的代码不可以出现在特殊函数内部,因为requests 不支持异步操作

import time
import asyncio
​
start = time.time()
urls = [
    "http://127.0.0.1:5000/one",
    "http://127.0.0.1:5000/one",
    "http://127.0.0.1:5000/two",
    "http://127.0.0.1:5000/three"
]
​
#待执行的代码块中不可以出现不支持异步模块的代码
#在该函数内部如果有阻塞,阻塞操作必须使用await关键字修饰
async def get_request(url):
    print('正在请求:',url)
    # await不用不会报错,但不会有异步效果
    await asyncio.sleep(2)
    print('请求结束')
    return "hello world"
​
#放置所有的任务对象
tasks = []
for url in urls:
    c = get_request(url)
    task = asyncio.ensure_future(c)
    tasks.append(task)
​
loop = asyncio.get_event_loop()
#wait不用会报错
loop.run_until_complete(asyncio.wait(tasks))
print("所用时长:",time.time()-start)

5.4.1在爬虫中使用 多任务异步协程

import time
import asyncio
import requests
start = time.time()
urls = [
    "http://127.0.0.1:5000/one",
    "http://127.0.0.1:5000/two",
    "http://127.0.0.1:5000/three"
]
​
​
# 无法实现异步的效果,因为requests 不支持异步操作
async def req(url):
    page_text = await requests.get(url).text
    return page_text
​
​
#构建任务列表
tasks = []
for url in urls:
    #协程对象
    c = req(url)
    #任务对象
    task = asyncio.ensure_future(c)
    tasks.append(task)
​
#创建事件循环对象
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))
print(time.time()-start)

如上图,我们会发现出现了一个错误,我们尝试了解决,发现:
#无法实现异步的效果,因为requests 不支持异步操作
所以我们引用了了aiohttp模块

5.4.2 aiohttp模块

• 一个支持异步操作的网络请求的模块

• 环境的安装 pip install aiohttp

• 记忆步骤:

  第一步: 初步架构

  async def req(url):
      with aiohttp.ClientSession() as s:
          with s.get(url) as response:
              page_text = response.text() 
              return page_text

  第二步: 补充细节

  在每一个 with 之前加上 async,在每一步阻塞前加上 await

  async def req(url):
      async with aiohttp.ClientSession() as s:
          async with await s.get(url) as response:
              page_text = await response.text()
              return page_text

  server端代码

  from flask import Flask, render_template
  import time
  ​
  app = Flask(__name__)
  ​
  @app.route('/one')
  def index_one():
      time.sleep(2)
      return  render_template("text.html")
  ​
  @app.route('/two')
  def index_two():
      time.sleep(2)
      return  "hello two"
  ​
  @app.route('/three')
  def index_three():
      time.sleep(2)
      return  "hello three"
  ​
  if __name__ == '__main__':
      app.run(threaded=True)

  客户端代码

  import time
  import asyncio
  import aiohttp
  from lxml import etree
  ​
  start = time.time()
  urls = [
      "http://127.0.0.1:5000/one",
      "http://127.0.0.1:5000/two",
      "http://127.0.0.1:5000/three"
  ]
  ​
  ​
  # 无法实现异步的效果,因为requests 不支持异步操作
  async def req(url):
      async with aiohttp.ClientSession() as s:
          async with await s.get(url) as response:
              # response.read() 返回 byte 类型的数据
              # response.text() 返回 字符串
              page_text = await response.text()
              return page_text
      # 细节的补充 : 在每一个 with 之前加上 async,在每一步阻塞前加上 await
  ​
  ​
  def parse(task):
      page_text = task.result()
      tree = etree.HTML(page_text)
      name = tree.xpath("//p/text()")[0]
      print(name)
  ​
  #构建任务列表
  tasks = []
  for url in urls:
      #协程对象
      c = req(url)
      #任务对象
      task = asyncio.ensure_future(c)
  ​
      task.add_done_callback(parse)
      tasks.append(task)
  ​
  #创建事件循环对象
  loop = asyncio.get_event_loop()
  loop.run_until_complete(asyncio.wait(tasks))
  print(time.time()-start)

第六章 .图片懒加载技术、selenium和PhantomJS

6.1图片懒加载

• 案例分析：抓取站长素材http://sc.chinaz.com/中的图片数据

  import requests
  from lxml import etree
  ​
  if __name__ == "__main__":
       url = 'http://sc.chinaz.com/tupian/gudianmeinvtupian.html'
       headers = {
           'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
       }
       #获取页面文本数据
       response = requests.get(url=url,headers=headers)
       response.encoding = 'utf-8'
       page_text = response.text
       #解析页面数据（获取页面中的图片链接）
       #创建etree对象
       tree = etree.HTML(page_text)
       div_list = tree.xpath('//div[@id="container"]/div')
       #解析获取图片地址和图片的名称
       for div in div_list:
           image_url = div.xpath('.//img/@src')
           image_name = div.xpath('.//img/@alt')
           print(image_url) #打印图片链接
           print(image_name)#打印图片名称

• 运行结果观察发现，我们可以获取图片的名称，但是链接获取的为空，检查后发现xpath表达式也没有问题，究其原因出在了哪里呢？

  • 图片懒加载概念：

    • 图片懒加载是一种网页优化技术。图片作为一种网络资源，在被请求时也与普通静态资源一样，将占用网络资源，而一次性将整个页面的所有图片加载完，将大大增加页面的首屏加载时间。为了解决这种问题，通过前后端配合，使图片仅在浏览器当前视窗内出现时才加载该图片，达到减少首屏图片请求数的技术就被称为“图片懒加载”。

• 网站一般如何实现图片懒加载技术呢？

  • 在网页源码中，在img标签中首先会使用一个“伪属性”（通常使用src2，original......）去存放真正的图片链接而并非是直接存放在src属性中。当图片出现到页面的可视化区域中，会动态将伪属性替换成src属性，完成图片的加载。

• 站长素材案例后续分析：通过细致观察页面的结构后发现，网页中图片的链接是存储在了src2这个伪属性中

  import requests
  from lxml import etree
  ​
  if __name__ == "__main__":
       url = 'http://sc.chinaz.com/tupian/gudianmeinvtupian.html'
       headers = {
           'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
       }
       #获取页面文本数据
       response = requests.get(url=url,headers=headers)
       response.encoding = 'utf-8'
       page_text = response.text
       #解析页面数据（获取页面中的图片链接）
       #创建etree对象
       tree = etree.HTML(page_text)
       div_list = tree.xpath('//div[@id="container"]/div')
       #解析获取图片地址和图片的名称
       for div in div_list:
           image_url = div.xpath('.//img/@src2') #src2伪属性
           image_name = div.xpath('.//img/@alt')
           print(image_url) #打印图片链接
           print(image_name)#打印图片名称

6.2 selenium

• 概念: selenium最初是一个自动化测试工具,而爬虫中使用它主要是为了解决requests无法直接执行JavaScript代码的问题 selenium本质是通过驱动浏览器，完全模拟浏览器的操作，比如跳转、输入、点击、下拉等，来拿到网页渲染之后的结果，可支持多种浏览器

• 环境的安装 : pip install selenium

• selenium的演示程序

  from selenium import webdriver
  from time import sleep
  ​
  # 后面是你的浏览器驱动位置，记得前面加r'','r'是防止字符转义的
  driver = webdriver.Chrome(r'E:\after homework\day105\chromedriver.exe')
  # 用get打开百度页面
  driver.get("http://www.baidu.com")
  # 查找页面的“设置”选项，并进行点击
  driver.find_elements_by_link_text('设置')[0].click()
  sleep(2)
  # # 打开设置后找到“搜索设置”选项，设置为每页显示50条
  driver.find_elements_by_link_text('搜索设置')[0].click()
  sleep(2)
  ​
  # 选中每页显示50条
  m = driver.find_element_by_id('nr')
  sleep(2)
  m.find_element_by_xpath('//*[@id="nr"]/option[3]').click()
  m.find_element_by_xpath('.//option[3]').click()
  sleep(2)
  ​
  # 点击保存设置
  driver.find_elements_by_class_name("prefpanelgo")[0].click()
  sleep(2)
  ​
  # 处理弹出的警告页面   确定accept() 和 取消dismiss()
  driver.switch_to_alert().accept()
  sleep(2)
  # 找到百度的输入框，并输入 美女
  driver.find_element_by_id('kw').send_keys('美女')
  sleep(2)
  # 点击搜索按钮
  driver.find_element_by_id('su').click()
  sleep(2)
  # 在打开的页面中找到“Selenium - 开源中国社区”，并打开这个页面
  driver.find_elements_by_link_text('美女_百度图片')[0].click()
  sleep(3)
  ​
  # 关闭浏览器
  driver.quit()

• selenium和爬虫之间的关联?

  1.便捷的获取页面中动态加载的数据
      requests模块进行数据爬取,所见非所得
      selenium所见即可得,但速度较慢
  2.实现模拟登陆

• 基本操作

  • 谷歌浏览器驱动程序下载地址: http://chromedriver.storage.googleapis.com/index.html

  • 驱动程序和谷歌版本的映射关系表:https://blog.csdn.net/huilan_same/article/details/51896672

    #步骤:
    1.实例化某一款浏览器对象(驱动程序的路径)
    2.find系列的函数用于标签定位

• 浏览器创建

  • Selenium支持非常多的浏览器，如Chrome、Firefox、Edge等，还有Android、BlackBerry等手机端的浏览器。另外，也支持无界面浏览器PhantomJS。

    from selenium import webdriver
      
    browser = webdriver.Chrome()
    browser = webdriver.Firefox()
    browser = webdriver.Edge()
    browser = webdriver.PhantomJS()
    browser = webdriver.Safari()

• 元素定位

  • webdriver 提供了一系列的元素定位方法，常用的有以下几种：

  find_element_by_id()
  find_element_by_name()
  find_element_by_class_name()
  find_element_by_tag_name()
  find_element_by_link_text()
  find_element_by_partial_link_text()
  find_element_by_xpath()
  find_element_by_css_selector()

• 节点交互

  • Selenium可以驱动浏览器来执行一些操作，也就是说可以让浏览器模拟执行一些动作。比较常见的用法有：输入文字时用send_keys()方法，清空文字时用clear()方法，点击按钮时用click()方法。示例如下：

    from selenium import webdriver
    import time
     
    browser = webdriver.Chrome()
    browser.get('https://www.taobao.com')
    input = browser.find_element_by_id('q')
    input.send_keys('MAC')
    time.sleep(1)
    input.clear()
    input.send_keys('IPhone')
    button = browser.find_element_by_class_name('btn-search')
    button.click()
    browser.quit()

• 爬取单页数据

  from selenium import webdriver
  from time import sleep
  ​
  ​
  #实例化一个浏览器对象
  bro = webdriver.Chrome(executable_path=r'E:\after homework\day105\chromedriver.exe')  #executable_path 当前浏览器的驱动程序
  url = "https://www.jd.com/"
  #get 用于发起请求
  bro.get(url)
  #定位指定标签
  search_input = bro.find_element_by_id("key")
  #对指定标签进行数据交互
  search_input.send_keys("macPro")
  ​
  btn = bro.find_element_by_xpath('//*[@id="search"]/div/div[2]/button')
  btn.click()
  ​
  sleep(2)
  #执行js代码
  jsCode = 'window.scrollTo(0,document.body.scrollHeight)'
  bro.execute_script(jsCode)
  ​
  sleep(3)
  bro.quit()

• 爬取多页数据

  from selenium import webdriver
  from time import sleep
  from lxml import etree
  ​
  ​
  page_text_list = []
  #实例化一个浏览器对象
  bro = webdriver.Chrome(executable_path=r'E:\after homework\day105\chromedriver.exe')  #executable_path 当前浏览器的驱动程序
  url = "http://125.35.6.84:81/xk/"
  #get 用于发起请求
  bro.get(url)
  ​
  sleep(2)
  #page_source就是当前浏览器打开页面对应的源码数据
  page_text = bro.page_source
  page_text_list.append(page_text)
  ​
  for i in  range(2):
      bro.find_element_by_id('pageIto_next').click()
      sleep(2)
      page_text = bro.page_source
      page_text_list.append(page_text)
  ​
  ​
  for page_text in page_text_list:
      tree = etree.HTML(page_text)
      li_list = tree.xpath('//*[@id="gzlist"]/li')
      for li in li_list:
          name = li.xpath('./dl/@title')[0]
          print(name)
  ​
  sleep(4)
  bro.quit()

• 动作链 :一系列的行为动作

  地址 https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable

  from selenium import webdriver
  from selenium.webdriver import ActionChains  #动作链
  from time import sleep
  ​
  ​
  page_text_list = []
  #实例化一个浏览器对象,executable_path 当前浏览器的驱动程序
  bro = webdriver.Chrome(executable_path=r'E:\after homework\day105\chromedriver.exe')
  url = "https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable"
  ​
  bro.get(url)
  ​
  # 如果定位的标签是存在于 iframe 对应的子页面中,在定位标签前一定要进行 switch_to 的操作
  bro.switch_to.frame('iframeResult')   # iframe标签的id
  div_tag = bro.find_element_by_id("draggable")
  # 错误 :selenium.common.exceptions.NoSuchElementException: Message: no such element: Unable to locate element:
  ​
  #实例化动作链对象
  action = ActionChains(bro)
  #点击且长按
  action.click_and_hold(div_tag)
  ​
  #模拟人移动算法(自己百度)
  ​
  #这里提供一个简单操作
  for i in range(5):
      # perform :让动作链立即执行
      action.move_by_offset(17,0).perform()
      sleep(0.5)
  ​
  #释放动作链
  action.release()
  sleep(3)
  bro.quit()

• 执行JavaScript

  • 对于某些操作，Selenium API并没有提供。比如，下拉进度条，它可以直接模拟运行JavaScript，此时使用execute_script()方法即可实现，代码如下：

  from selenium import webdriver
   
  browser = webdriver.Chrome()
  browser.get('https://www.jd.com/')
  browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
  browser.execute_script('alert("123")')

• 获取页面源码数据

  • 通过page_source属性可以获取网页的源代码，接着就可以使用解析库（如正则表达式、Beautiful Soup、pyquery等）来提取信息了

• 前进和后退

  • 模拟浏览器的前进后退

  import time
  from selenium import webdriver
   
  browser=webdriver.Chrome()
  browser.get('https://www.baidu.com')
  browser.get('https://www.taobao.com')
  browser.get('http://www.sina.com.cn/')
   
  browser.back()
  time.sleep(10)
  browser.forward()
  browser.close()

• Cookie处理

  • 使用Selenium，还可以方便地对Cookies进行操作，例如获取、添加、删除Cookies等。示例如下：

    from selenium import webdriver
     
    browser = webdriver.Chrome()
    browser.get('https://www.zhihu.com/explore')
    print(browser.get_cookies())
    browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'})
    print(browser.get_cookies())
    browser.delete_all_cookies()
    print(browser.get_cookies())

• 异常处理

  from selenium import webdriver
  from selenium.common.exceptions import TimeoutException,NoSuchElementException,NoSuchFrameException
  ​
  try:
      browser=webdriver.Chrome()
      browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
      browser.switch_to.frame('iframssseResult')
  ​
  except TimeoutException as e:
      print(e)
  except NoSuchFrameException as e:
      print(e)
  finally:
      browser.close()
  ​

6.3 phantomJS

• PhantomJS是一款无界面的浏览器，其自动化操作流程和上述操作谷歌浏览器是一致的。由于是无界面的，为了能够展示自动化操作流程，PhantomJS为用户提供了一个截屏的功能，使用save_screenshot函数实现。

• 无头浏览器 :无可视化界面的浏览器

  • phantomJS

  谷歌无头浏览器

  from selenium import webdriver
  from time import sleep
  ​
  ​
  from selenium.webdriver.chrome.options import Options
  ​
  # 创建一个参数对象，用来控制chrome以无界面模式打开
  chrome_options = Options()
  chrome_options.add_argument('--headless')
  chrome_options.add_argument('--disable-gpu')
  ​
  ​
  page_text_list = []
  #实例化一个浏览器对象,executable_path 当前浏览器的驱动程序
  bro = webdriver.Chrome(executable_path=r'E:\after homework\day105\chromedriver.exe',chrome_options=chrome_options)
  bro.get('https://www.baidu.com')
  ​
  sleep(2)
  ​
  #截图
  bro.save_screenshot("1.png")
  ​
  print(bro.page_source)
  sleep(2)
  bro.quit()

• selenium规避风险

  可判断为正常用户的正常请求

  执行代码时:

  from selenium import webdriver
  from selenium.webdriver import ChromeOptions
  option = ChromeOptions()
  option.add_experimental_option('excludeSwitches', ['enable-automation'])
  ​
  #实例化一个浏览器对象
  bro = webdriver.Chrome(executable_path=r'C:\Users\oldboy-python\Desktop\爬虫+数据\day04\chromedriver.exe',options=option)
  bro.get('https://www.taobao.com/')

登录qq空间，爬取数据

import requests
from selenium import webdriver
from lxml import etree
import time
​
driver = webdriver.Chrome(executable_path='/Users/bobo/Desktop/chromedriver')
driver.get('https://qzone.qq.com/')
#在web 应用中经常会遇到frame 嵌套页面的应用，使用WebDriver 每次只能在一个页面上识别元素，对于frame 嵌套内的页面上的元素，直接定位是定位是定位不到的。这个时候就需要通过switch_to_frame()方法将当前定位的主体切换了frame 里。
driver.switch_to.frame('login_frame')
driver.find_element_by_id('switcher_plogin').click()
​
#driver.find_element_by_id('u').clear()
driver.find_element_by_id('u').send_keys('328410948')  #这里填写你的QQ号
#driver.find_element_by_id('p').clear()
driver.find_element_by_id('p').send_keys('xxxxxx')  #这里填写你的QQ密码
    
driver.find_element_by_id('login_button').click()
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
page_text = driver.page_source
​
tree = etree.HTML(page_text)
#执行解析操作
li_list = tree.xpath('//ul[@id="feed_friend_list"]/li')
for li in li_list:
    text_list = li.xpath('.//div[@class="f-info"]//text()|.//div[@class="f-info qz_info_cut"]//text()')
    text = ''.join(text_list)
    print(text+'\n\n\n')
    
driver.close()

爬取豆瓣网中的电影信息

from selenium import webdriver
from time import sleep
import time
​
if __name__ == '__main__':
    url = 'https://movie.douban.com/typerank?type_name=%E6%81%90%E6%80%96&type=20&interval_id=100:90&action='
    # 发起请求前，可以让url表示的页面动态加载出更多的数据
    path = r'C:\Users\Administrator\Desktop\爬虫授课\day05\ziliao\phantomjs-2.1.1-windows\bin\phantomjs.exe'
    # 创建无界面的浏览器对象
    bro = webdriver.PhantomJS(path)
    # 发起url请求
    bro.get(url)
    time.sleep(3)
    # 截图
    bro.save_screenshot('1.png')
​
    # 执行js代码（让滚动条向下偏移n个像素（作用：动态加载了更多的电影信息））
    js = 'window.scrollTo(0,document.body.scrollHeight)'
    bro.execute_script(js)  # 该函数可以执行一组字符串形式的js代码
    time.sleep(2)
​
    bro.execute_script(js)  # 该函数可以执行一组字符串形式的js代码
    time.sleep(2)
    bro.save_screenshot('2.png') 
    time.sleep(2) 
    # 使用爬虫程序爬去当前url中的内容 
    html_source = bro.page_source # 该属性可以获取当前浏览器的当前页的源码（html） 
    with open('./source.html', 'w', encoding='utf-8') as fp: 
        fp.write(html_source) 
    bro.quit()

6.4 基于selenium实现12306模拟登陆

链接地址 :https://kyfw.12306.cn/otn/login/init

# ChaoJiYing.py
import requests
from hashlib import md5
​
class Chaojiying_Client(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 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()

# 12306模拟登陆
​
from selenium import webdriver
from selenium.webdriver import ActionChains
#Image用作于图片裁剪
from PIL import Image
from time import sleep
from ChaoJiYing import  Chaojiying_Client
​
​
#实例化一个浏览器对象,executable_path 当前浏览器的驱动程序
bro = webdriver.Chrome(executable_path=r'E:\after homework\day105\chromedriver.exe')
bro.get("https://kyfw.12306.cn/otn/login/init")
​
sleep(2)
#验证码图片的捕获
bro.save_screenshot("main.png")
#定位验证码图片对应的标签
code_img_ele = bro.find_element_by_xpath('//*[@id="loginForm"]/div/ul[2]/li[4]/div/div/div[3]/img')
#验证码图片基于当前整张页面左上角坐标
location = code_img_ele.location
#验证码图片的长和宽
size = code_img_ele.size
​
#裁剪的矩形区域(左下角和右上角两点的坐标)
rangle = (int(location['x']),int(location['y']),int(location['x']+size['width']),int(location['y']+size['height']))
​
​
i = Image.open('main.png')
frame = i.crop(rangle)
frame.save('code.png')
​
#使用打码平台进行验证码的识别
chaojiying = Chaojiying_Client('bobo328410948', 'bobo328410948', '899370')  #用户中心>>软件ID 生成一个替换 96001
im = open('code.png', 'rb').read()                                                  #本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
result = chaojiying.PostPic(im, 9004)['pic_str']
print(result)  # x1,y1|x2,y2|x3,y3  ==> [[x1,y1],[x2,y2],[x3,y3]]
all_list = []#[[x1,y1],[x2,y2],[x3,y3]] 每一个列表元素表示一个点的坐标,坐标对应值的0,0点是验证码图片左下角
if '|' in result:
    list_1 = result.split('|')
    count_1 = len(list_1)
    for i in range(count_1):
        xy_list = []
        x = int(list_1[i].split(',')[0])
        y = int(list_1[i].split(',')[1])
        xy_list.append(x)
        xy_list.append(y)
        all_list.append(xy_list)
else:
    x = int(result.split(',')[0])
    y = int(result.split(',')[1])
    xy_list = []
    xy_list.append(x)
    xy_list.append(y)
    all_list.append(xy_list)
​
# action = ActionChains(bro)
for l in all_list:
    x = l[0]
    y = l[1]
    ActionChains(bro).move_to_element_with_offset(code_img_ele,x,y).click().perform()
    sleep(1)
​
sleep(3)
bro.quit()