详解python3百度指数抓取实例

Python  /  管理员 发布于 7年前   158

百度指数抓取，再用图像识别得到指数

前言：

土福曾说，百度指数很难抓，在淘宝上面是20块1个关键字：

哥那么叼的人怎么会被他吓到，于是乎花了零零碎碎加起来大约2天半搞定，在此鄙视一下土福

安装的库很多：

谷歌图像识别tesseract-ocrpip3 install pillowpip3 install pyocrselenium2.45Chrome47.0.2526.106 m or Firebox32.0.1chromedriver.exe

图像识别验证码请参考:///article/92287.htm

selenium用法请参考：///article/52329.htm

进入百度指数需要登陆，登陆的账号密码写在文本account里面：

万能登陆代码如下：

# 打开浏览器def openbrowser():  global browser  # https://passport.baidu.com/v2/?login  url = "https://passport.baidu.com/v2/?login&tpl=mn&u=http%3A%2F%2Fwww.baidu.com%2F"  # 打开谷歌浏览器  # Firefox()  # Chrome()  browser = webdriver.Chrome()  # 输入网址  browser.get(url)  # 打开浏览器时间  # print("等待10秒打开浏览器...")  # time.sleep(10)  # 找到id="TANGRAM__PSP_3__userName"的对话框  # 清空输入框  browser.find_element_by_id("TANGRAM__PSP_3__userName").clear()  browser.find_element_by_id("TANGRAM__PSP_3__password").clear()  # 输入账号密码  # 输入账号密码  account = []  try:    fileaccount = open("../baidu/account.txt")    accounts = fileaccount.readlines()    for acc in accounts:      account.append(acc.strip())    fileaccount.close()  except Exception as err:    print(err)    input("请正确在account.txt里面写入账号密码")    exit()  browser.find_element_by_id("TANGRAM__PSP_3__userName").send_keys(account[0])  browser.find_element_by_id("TANGRAM__PSP_3__password").send_keys(account[1])  # 点击登陆登陆  # id="TANGRAM__PSP_3__submit"  browser.find_element_by_id("TANGRAM__PSP_3__submit").click()  # 等待登陆10秒  # print('等待登陆10秒...')  # time.sleep(10)  print("等待网址加载完毕...")  select = input("请观察浏览器网站是否已经登陆(y/n)：")  while 1:    if select == "y" or select == "Y":      print("登陆成功！")      print("准备打开新的窗口...")      # time.sleep(1)      # browser.quit()      break    elif select == "n" or select == "N":      selectno = input("账号密码错误请按0，验证码出现请按1...")      # 账号密码错误则重新输入      if selectno == "0":        # 找到id="TANGRAM__PSP_3__userName"的对话框        # 清空输入框        browser.find_element_by_id("TANGRAM__PSP_3__userName").clear()        browser.find_element_by_id("TANGRAM__PSP_3__password").clear()        # 输入账号密码        account = []        try:          fileaccount = open("../baidu/account.txt")          accounts = fileaccount.readlines()          for acc in accounts:account.append(acc.strip())          fileaccount.close()        except Exception as err:          print(err)          input("请正确在account.txt里面写入账号密码")          exit()        browser.find_element_by_id("TANGRAM__PSP_3__userName").send_keys(account[0])        browser.find_element_by_id("TANGRAM__PSP_3__password").send_keys(account[1])        # 点击登陆sign in        # id="TANGRAM__PSP_3__submit"        browser.find_element_by_id("TANGRAM__PSP_3__submit").click()      elif selectno == "1":        # 验证码的id为id="ap_captcha_guess"的对话框        input("请在浏览器中输入验证码并登陆...")        select = input("请观察浏览器网站是否已经登陆(y/n)：")    else:      print("请输入“y”或者“n”！")      select = input("请观察浏览器网站是否已经登陆(y/n)：")

登陆的页面：

登陆过后需要打开新的窗口，也就是打开百度指数，并且切换窗口，在selenium用：

# 新开一个窗口，通过执行js来新开一个窗口js = 'window.open("http://index.baidu.com");'browser.execute_script(js)# 新窗口句柄切换，进入百度指数# 获得当前打开所有窗口的句柄handles# handles为一个数组handles = browser.window_handles# print(handles)# 切换到当前最新打开的窗口browser.switch_to_window(handles[-1])

清空输入框，构造点击天数：

# 清空输入框browser.find_element_by_id("schword").clear()# 写入需要搜索的百度指数browser.find_element_by_id("schword").send_keys(keyword)# 点击搜索# <input type="submit" value="" id="searchWords" onclick="searchDemoWords()">browser.find_element_by_id("searchWords").click()time.sleep(2)# 最大化窗口browser.maximize_window()# 构造天数sel = int(input("查询7天请按0，30天请按1，90天请按2，半年请按3："))day = 0if sel == 0:  day = 7elif sel == 1:  day = 30elif sel == 2:  day = 90elif sel == 3:  day = 180sel = '//a[@rel="' + str(day) + '"]'browser.find_element_by_xpath(sel).click()# 太快了time.sleep(2)

天数也就是这里：

找到图形框：

xoyelement = browser.find_elements_by_css_selector("#trend rect")[2]

图形框就是：

根据坐标点的不同构造偏移量：

选取7天的坐标来观察：

第一个点的横坐标为1031.66666

第二个点的横坐标为1234

所以7天两个坐标之间的差为：202.33，其他的天数类似

用selenium库来模拟鼠标滑动悬浮：

from selenium.webdriver.common.action_chains import ActionChainsActionChains(browser).move_to_element_with_offset(xoyelement,x_0,y_0).perform()

但是这样子确定的点指出是在这个位置：

也就是矩形的左上角，这里是不会加载js显示弹出框的，所以要给横坐标+1：

x_0 = 1y_0 = 0

写个按照天数的循环，让横坐标累加：

# 按照选择的天数循环for i in range(day):  # 构造规则  if day == 7:    x_0 = x_0 + 202.33  elif day == 30:    x_0 = x_0 + 41.68  elif day == 90:    x_0 = x_0 + 13.64  elif day == 180:    x_0 = x_0 + 6.78

鼠标横移时会弹出框，在网址里面找到这个框：

selenium自动识别之...：

# <div class="imgtxt" style="margin-left:-117px;"></div>imgelement = browser.find_element_by_xpath('//div[@id="viewbox"]')

并且确定这个框的大小位置：

# 找到图片坐标locations = imgelement.locationprint(locations)# 找到图片大小sizes = imgelement.sizeprint(sizes)# 构造指数的位置rangle = (int(locations['x']), int(locations['y']), int(locations['x'] + sizes['width']),     int(locations['y'] + sizes['height']))

截取的图形为：

下面的思路就是：

1.将整个屏幕截图下来

2.打开截图用上面得到的这个坐标rangle进行裁剪

但是最后裁剪出来的是上面的那个黑框，我想要的效果是：

 

所以要对rangle进行计算，但是我懒，忽略了搜索词的长度，直接暴力的写成：

# 构造指数的位置rangle = (int(locations['x'] + sizes['width']/3), int(locations['y'] + sizes['height']/2), int(locations['x'] + sizes['width']*2/3),     int(locations['y'] + sizes['height']))

这个写法最终不太好，最起码要对keyword的长度进行判断，长度过长会导致截图坐标出现偏差，反正我知道怎么做，就是不写出来给你们看！

后面的完整代码是：

# <div class="imgtxt" style="margin-left:-117px;"></div>imgelement = browser.find_element_by_xpath('//div[@id="viewbox"]')# 找到图片坐标locations = imgelement.locationprint(locations)# 找到图片大小sizes = imgelement.sizeprint(sizes)# 构造指数的位置rangle = (int(locations['x'] + sizes['width']/3), int(locations['y'] + sizes['height']/2), int(locations['x'] + sizes['width']*2/3),     int(locations['y'] + sizes['height']))# 截取当前浏览器path = "../baidu/" + str(num)browser.save_screenshot(str(path) + ".png")# 打开截图切割img = Image.open(str(path) + ".png")jpg = img.crop(rangle)jpg.save(str(path) + ".jpg")

但是后面发现裁剪的图片太小，识别精度太低，所以需要对图片进行扩大：

# 将图片放大一倍# 原图大小73.29jpgzoom = Image.open(str(path) + ".jpg")(x, y) = jpgzoom.sizex_s = 146y_s = 58out = jpgzoom.resize((x_s, y_s), Image.ANTIALIAS)out.save(path + 'zoom.jpg', 'png', quality=95)

原图大小请 右键->属性->详细信息 查看，我的是长73像素，宽29像素

最后就是图像识别

# 图像识别index = []image = Image.open(str(path) + "zoom.jpg")code = pytesseract.image_to_string(image)if code:  index.append(code)

最后效果图：

源码下载：demo

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。