【Python实战】机型自动化标注（搜狗爬虫实现）
1. 引言
从安卓手机收集上来的机型大都为这样：
mi|5
mi|4c
mi 4c
2014022
kiw-al10
nem-tl00h
收集的机型大都杂乱无章，不便于做统计分析。因此，标注显得尤为重要。
中关村在线有对国内大部分手机的介绍情况，包括手机机型nem-tl00h及其对应的常见名称荣耀畅玩5C。因而，设计机型自动化标注策略如下：
- 在搜狗搜索中输入机型进行搜索，为了限定第一个返回结果为ZOL网站，加上限定词
site:detail.zol.com.cn； - 通过第一条返回结果的链接，跳转到相应的ZOL页面，解析拿到标注名称与手机别名。
2. 实现
根据上面的爬取策略，我用Python实现一个简单的爬虫：采用PyQuery解析HTML页面，PyQuery采用类似jQuery的语法来操作HTML元素，熟悉jQuery的人对PyQuery是上手即用。
Sogou爬虫的代码实现（基于Python 3.5.2）如下：
# -*- coding: utf-8 -*-
# @Time : 2016/8/8
# @Author : rain
import codecs
import csv
import logging
import re
import time
import urllib.parse
import urllib.request
import urllib.error
from pyquery import PyQuery as pq
def quote_url(model_name):
base_url = "https://www.sogou.com/web?query=%s"
site_zol = "site:detail.zol.com.cn "
return base_url % (urllib.parse.quote(site_zol + model_name))
def parse_sogou(model_name):
search_url = quote_url(model_name)
request = urllib.request.Request(url=search_url, headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/45.0.2454.101 Safari/537.36'})
sogou_html = urllib.request.urlopen(request).read()
sogou_dom = pq(sogou_html)
goto_url = sogou_dom("div.results>.vrwrap>.vrTitle>a[target='_blank']").eq(0).attr("href")
logging.warning("goto url: %s", goto_url)
if goto_url is None:
return None
goto_dom = pq(url=goto_url)
script_text = goto_dom("script").text()
zol_url = re.findall(r'\("(.*)"\)', script_text)[0]
return zol_url
def parse_zol(model_name):
zol_url = parse_sogou(model_name)
if zol_url is None:
return None, None
try:
zol_html = urllib.request.urlopen(zol_url).read()
except urllib.error.HTTPError as e:
logging.exception(e)
return None, None
zol_dom = pq(zol_html)
title = zol_dom(".page-title.clearfix")
name = title("h1").text()
alias = title("h2").text()
if u'（' in name and u'）' in name:
match_result = re.match(u'(.*)（(.*)）', name)
name = match_result.group(1)
alias = match_result.group(2) + " " + alias
return name, alias
if __name__ == "__main__":
with codecs.open("./resources/data.txt", 'r', 'utf-8') as fr:
with open("./resources/result.csv", 'w', newline='') as fw:
writer = csv.writer(fw, delimiter=',')
for model in fr.readlines():
model = model.rstrip()
label_name, label_alias = parse_zol(model)
writer.writerow([model, label_name, label_alias])
logging.warning("model: %s, name: %s, alias: %s", model, label_name, label_alias)
time.sleep(10)
为了防止sogou封禁，每爬一次则休息10s。当然，这种爬取的速度会非常慢，需要做些优化。
3. 优化
下载验证码
sogou是通过访问频次来进行封禁，当访问次数过多时，会要求输入验证码：
<div class="content-box">
<p class="ip-time-p">IP:61...<br/>访问时间：2016.08.09 15:40:04</p>
<p class="p2">用户您好，您的访问过于频繁，为确认本次访问为正常用户行为，需要您协助验证。</p>
...
<form name="authform" method="POST" id="seccodeForm" action="/">
<p class="p4">
...
<input type="hidden" name="m" value="0"/> <span class="s1">
<a onclick="changeImg2();" href="javascript:void(0)">
<img id="seccodeImage" onload="setImgCode(1)" onerror="setImgCode(0)" src="util/seccode.php?tc=1470728404" width="100" height="40" alt="请输入图中的验证码" title="请输入图中的验证码"/>
</a>
</span>
<a href="javascript:void(0);" id="change-img" onclick="changeImg2();" style="padding-left:50px;">换一张</a>
<span class="s2" id="error-tips" style="display: none;"/>
</p>
</form>
...
</div>
通过分析html，真实的验证码图像需要做如下的拼接：
http://weixin.sogou.com/antispider/util/seccode.php?tc=1470728404
下载验证码图像到本地：
import urllib.request
from pyquery import PyQuery as pq
import re
for i in range(100):
html = urllib.request.urlopen("https://www.sogou.com/web?query=treant").read()
dom = pq(html)
img_src = dom("#seccodeImage").attr("src")
if img_src is not None:
img_name = re.search("tc=(.*)", img_src).group(1)
anti_img_url = "http://weixin.sogou.com/antispider/" + img_src
urllib.request.urlretrieve(anti_img_url, "./images/" + img_name + ".jpg")
tesseract识别验证码，识别的效果的一般，等以后有时间再考虑下其他识别方法。
