打码平台
数字字母类的验证码可以使用python模块：ddddocr
计算题，成语题，滑块。。。：第三方打码平台，人工操作
打码平台
-云打码，超级鹰
超级鹰SDK
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('18436093205', 'fuhua0501.', '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
打码平台自动登录打码平台
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
from PIL import Image
from cjy_sdk import ChaojiyingClient
bro = webdriver.Chrome()
bro.get("https://www.chaojiying.com/user/login/")
bro.maximize_window()
bro.implicitly_wait(10)
username = bro.find_element(By.NAME, "user")
password = bro.find_element(By.NAME, "pass")
code = bro.find_element(By.NAME, "imgtxt")
username.send_keys("18436093205")
password.send_keys("fuhua0501.")
# 获取到页面中的图片验证码
# 1、截取整个页面
bro.save_screenshot("main.png")
# 2、找到图片的位置
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("图片的位置是:", location, "图片的大小是:", size)
# 获取到图片验证码的准确位置
img_code = (
int(location['x']), int(location['y']), int(location['x'] + size['width']), int(location['y'] + size['height'])
)
# 使用pillow模块打开这张图片
img = Image.open("./main.png")
# 抠出来图片验证码
farm = img.crop(img_code)
# 保存验证码
farm.save("code.png")
# 调用超级鹰打码平台
chaojiying = ChaojiyingClient('18436093205', 'fuhua0501.', '903641')
im = open('code.png', 'rb').read()
code_ = chaojiying.PostPic(im, 1004)
try:
if code_.get("err_no") == 0:
code.send_keys(code_.get("pic_str"))
submit = bro.find_element(By.CSS_SELECTOR,
"body > div.wrapper_danye > div > div.content_login > div.login_form > form > "
"p:nth-child(5) > input")
submit.click()
bro.refresh()
time.sleep(5)
bro.close()
except Exception as e:
print(e)
selenium爬取京东商品信息
scrapy介绍安装
# 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
若安装失败按一下步骤操作：
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）
scrapy目录结构
# https://www.cnblogs.com/robots.txt 爬虫协议
# 创建scrapy项目
scrapy startproject scrapy_demo
# 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
