一.前言:
1、本博客主要介紹百度指數爬取,360指數獲取類似;
2、想要獲取數據必須先登錄百度指數,頻繁登陸會導致要求輸入驗證碼和手機驗證碼;
3、百度指數的數值是採用html格式+加密二進制傳輸, 不能夠通過直接獲取節點進而獲取數值。
二.爬取思路:
1、首先使用selenium+chrome模擬登陸百度賬號,獲取cookie;
2、由於有時候需要驗證碼登陸,所以需要保存cookie模擬登陸;
3、模擬登陸,輸入關鍵詞進入有指數頁面,截整個圖保存本地;
4、讀取圖片,找到搜索指數所在區域,截取圖片;
5、使用Tesseract-OCR進行圖像識別,若數字識別不準確,需使用jTessBoxEditor訓練數據提高準確度。
三.主要代碼介紹:
1.登錄
url = 'http://index.baidu.com/'
driver = webdriver.Chrome(executable_path='C:/Program Files
(x86)/Google/Chrome/Application/chromedriver.exe')
driver.get(url)
cookieList = []
for cookie in cookieList:
driver.add_cookie(cookie)
driver.get(url)
time.sleep(3)
driver.refresh()
此處cookieList已被我刪除,獲取方法:第一次模擬登陸時手動輸入賬號和密碼,通過driver.get_cookies()獲取,程序如下(該段程序只是獲得cookies,獲得的cookies添加到cookieList中,以後這段程序就無需放到爬蟲程序中了):
url = 'http://index.baidu.com/'
driver = webdriver.Chrome(executable_path='C:/Program Files
(x86)/Google/Chrome/Application/chromedriver.exe')
driver.get(url)
time.sleep(30)
cookies=driver.get_cookies()
print(cookies)
設置中間停頓30秒,輸入賬號,把打印下來的cookies(字典形式)粘貼到原來代碼的cookieList中,這樣就可以跳過驗證碼和輸入密碼登錄
2.輸入關鍵詞並最大化界面
WebDriverWait(driver, 10, 0.5).until(
EC.element_to_be_clickable((By.XPATH, "//input[@class='search-input']")))
driver.find_element_by_xpath("//input[@class='search-input']").send_keys(keyword)
WebDriverWait(driver, 10, 0.5).until(
EC.element_to_be_clickable((By.XPATH, "//span[@class='search-input-cancle']")))
driver.find_element_by_xpath("//span[@class='search-input-cancle']").click()
driver.maximize_window()
3.鼠標移動到指數所在矩形框並進行移動使出現viewbox
time.sleep(2)
WebDriverWait(driver, 10, 0.5).until(
EC.element_to_be_clickable((By.CSS_SELECTOR, '#trend > svg > rect')))
element = driver.find_elements_by_css_selector('#trend > svg > rect')[1]
time.sleep(2)
ActionChains(driver).move_to_element_with_offset(element, x, y).perform()
time.sleep(3)
driver.get_screenshot_as_file(str(index)+'.png')
WebDriverWait(driver, 10, 0.5).until(
EC.element_to_be_clickable((By.XPATH, "//div[@id='viewbox']")))
4.獲取viewbox位置截圖並進行圖像識別
element = driver.find_element_by_xpath("//div[@id='viewbox']")
getElementImage(driver,element, str(index)+'.png', 'day'+str(index)+'.png',keyword)
time.sleep(2)
number = Image.open('day'+str(index)+'.png')
number = pytesseract.image_to_string(number,lang='fontyp')
number = re.sub(r',?\.?\s?', '', number)
number=number.replace('z','2').replace('i','7').replace('e','9')
print(number)
def getElementImage(driver,element,fromPath,toPath,keyword):
"""
該元素所對應的截圖
:param element: 元素
:param fromPath: 圖片源
:param toPath: 截圖
"""
# 找到圖片座標
locations = element.location
# 跨瀏覽器兼容
scroll = driver.execute_script("return window.scrollY;")
top = locations['y'] - scroll
# 找到圖片大小
sizes = element.size
# 構造關鍵詞長度
add_length = (len(keyword) - 2) * sizes['width'] / 15
# 構造指數的位置
rangle = (
int(locations['x'] + sizes['width'] / 4 + add_length)-2, int(top +
sizes['height'] / 2),
int(locations['x'] + sizes['width'] * 2 / 3)+2, int(top + sizes['height']))
time.sleep(2)
image = Image.open(fromPath)
cropImg = image.crop(rangle)
cropImg.save(toPath)
四、優化
1.若想獲取30天的數據,則鼠標往右移動的寬度爲41.68像素較爲合適,但這個寬度不是數據所在矩形框的平均值(41.86),前者使用沒有問題,後者使用會不出現viewbox,小編也不知道爲什麼,有知道的朋友麻煩留言告知一下,非常感謝。
2.使用jTessBoxEditor訓練數據集提高識別準確率,具體見https://www.cnblogs.com/zhang-ke/p/7606572.html
五、結尾
本博客主要介紹的是爬取30天每天的百度指數,讀者可以拓展爬取其他時間段或者地區的指數。360指數爬取類似,不過到小編寫這篇博客爲止,360指數上有地區選項但仍然無法點開!
百度指數爬取代碼在github:https://github.com/kingdomrushing/SpiderbaiduIndex-python
交流QQ:2422035338