【百度雲搜索,搜各種資料:http://www.bdyss.cn】
【搜網盤,搜各種資料:http://www.swpan.cn】
第一步。首先下載,大神者也的倒立文字驗證碼識別程序
下載地址:https://github.com/muchrooms/...
注意:此程序依賴以下模塊包
Keras==2.0.1
Pillow==3.4.2
jupyter==1.0.0
matplotlib==1.5.3
numpy==1.12.1
scikit-learn==0.18.1
tensorflow==1.0.1
h5py==2.6.0
numpy-1.13.1+mkl
我們用豆瓣園來加速安以上依賴裝如:
pip install -i https://pypi.douban.com/simple h5py==2.6.0
如果是win系統,可能存在安裝失敗的可能,如果那個包安裝失敗,就到 http://www.lfd.uci.edu/~gohlk... 找到win對應的版本下載到本地安裝,如:
pip install h5py-2.7.0-cp35-cp35m-win_amd64.whl
第二步,將者也的,驗證碼識別程序的zheye文件夾放到工程目錄裏
第三步,爬蟲實現
start_requests()方法,起始url函數,會替換start_urls
Request()方法,get方式請求網頁
url=字符串類型url
headers=字典類型瀏覽器代理
meta=字典類型的數據,會傳遞給回調函數
callback=回調函數名稱
scrapy.FormRequest()post方式提交數據
url=字符串類型url
headers=字典類型瀏覽器代理
meta=字典類型的數據,會傳遞給回調函數
callback=回調函數名稱
formdata=字典類型,要提交的數據字段
response.headers.getlist('Set-Cookie') 獲取響應Cookies
response.request.headers.getlist('Cookie') 獲取請求Cookies
# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request,FormRequest
import re
class PachSpider(scrapy.Spider): #定義爬蟲類,必須繼承scrapy.Spider
name = 'pach' #設置爬蟲名稱
allowed_domains = ['zhihu.com'] #爬取域名
# start_urls = [''] #爬取網址,只適於不需要登錄的請求,因爲沒法設置cookie等信息
header = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0'} #設置瀏覽器用戶代理
def start_requests(self): #起始url函數,會替換start_urls
"""第一次請求一下登錄頁面,設置開啓cookie使其得到cookie,設置回調函數"""
return [Request(
url='https://www.zhihu.com/#signin',
headers=self.header,
meta={'cookiejar':1}, #開啓Cookies記錄,將Cookies傳給回調函數
callback=self.parse
)]
def parse(self, response):
# 響應Cookies
Cookie1 = response.headers.getlist('Set-Cookie') #查看一下響應Cookie,也就是第一次訪問註冊頁面時後臺寫入瀏覽器的Cookie
print('後臺首次寫入的響應Cookies:',Cookie1)
#獲取xsrf密串
xsrf = response.xpath('//input[@name="_xsrf"]/@value').extract()[0]
print('獲取xsrf密串:' + xsrf)
#獲取驗證碼
import time
t = str(int(time.time()*1000))
captcha_url = 'https://www.zhihu.com/captcha.gif?r={0}&type=login&lang=cn'.format(t) #構造驗證碼請求地址
yield Request(url=captcha_url, #請求驗證碼圖片
headers=self.header,
meta={'cookiejar':response.meta['cookiejar'],'xsrf':xsrf}, #將Cookies和xsrf密串傳給回調函數
callback=self.post_tj
)
def post_tj(self, response):
with open('yzhm.jpg','wb') as f: #打開圖片句柄
f.write(response.body) #將驗證碼圖片寫入本地
f.close() #關閉句柄
#---------------------------者也驗證碼識別-----------------------
from zheye import zheye #導入者也倒立文字驗證碼識別模塊對象
z = zheye() #實例化對象
positions = z.Recognize('yzhm.jpg') #將驗證碼本地路徑傳入Recognize方法識別,返回倒立圖片的座標
# print(positions) #默認倒立文字的y座標在前,x座標在後
#知乎網要求的倒立文字座標是x軸在前,y軸在後,所以我們需要定義一個列表來改變默認的,倒立文字座標位置
pos_arr = []
if len(positions) == 2:
if positions[0][1] > positions[1][1]: #判斷列表裏第一個元祖裏的第二個元素如果大於,第二個元祖裏的第二個元素
pos_arr.append([positions[1][1],positions[1][0]])
pos_arr.append([positions[0][1], positions[0][0]])
else:
pos_arr.append([positions[0][1], positions[0][0]])
pos_arr.append([positions[1][1], positions[1][0]])
else:
pos_arr.append([positions[0][1], positions[0][0]])
print('處理後的驗證碼座標',pos_arr)
# -------------者也驗證碼識別結束--------
if len(pos_arr) == 2:
data = { # 設置用戶登錄信息,對應抓包得到字段
'_xsrf': response.meta['xsrf'],
'password': '279819',
'captcha': '{"img_size":[200,44],"input_points":[[%.2f,%f],[%.2f,%f]]}' %(
pos_arr[0][0] / 2, pos_arr[0][1] / 2, pos_arr[1][0] / 2, pos_arr[1][1] / 2), #因爲驗證碼識別默認是400X88的尺寸所以要除以2
'captcha_type': 'cn',
'phone_num': '15284816568'
}
else:
data = { # 設置用戶登錄信息,對應抓包得到字段
'_xsrf': response.meta['xsrf'],
'password': '279819',
'captcha': '{"img_size":[200,44],"input_points":[[%.2f,%f]]}' %(
pos_arr[0][0] / 2, pos_arr[0][1] / 2),
'captcha_type': 'cn',
'phone_num': '15284816568'
}
print('登錄提交數據',data)
print('登錄中....!')
"""第二次用表單post請求,攜帶Cookie、瀏覽器代理、用戶登錄信息,進行登錄給Cookie授權"""
return [scrapy.FormRequest(
url='https://www.zhihu.com/login/phone_num', #真實post地址
meta={'cookiejar':response.meta['cookiejar']}, #接收第傳過來的Cookies
headers=self.header,
formdata=data,
callback=self.next
)]
def next(self,response):
# 請求Cookie
Cookie2 = response.request.headers.getlist('Cookie')
print('登錄時攜帶請求的Cookies:',Cookie2)
jieg = response.body.decode("utf-8") #登錄後可以查看一下登錄響應信息
print('登錄響應結果:',jieg)
print('正在請需要登錄纔可以訪問的頁面....!')
"""登錄後請求需要登錄才能查看的頁面,如個人中心,攜帶授權後的Cookie請求"""
yield Request(
url='https://www.zhihu.com/people/lin-gui-xiu-41/activities',
headers=self.header,
meta={'cookiejar':True},
callback=self.next2
)
def next2(self,response):
# 請求Cookie
Cookie3 = response.request.headers.getlist('Cookie')
print('查看需要登錄纔可以訪問的頁面攜帶Cookies:',Cookie3)
leir = response.xpath('/html/head/title/text()').extract() #得到個人中心頁面
print('最終內容',leir)
# print(response.body.decode("utf-8"))
【轉載自:http://www.lqkweb.com】