python 爬蟲(chóng)

驗(yàn)證碼（CAPTCHA）全稱為全自動(dòng)區(qū)分計(jì)算機(jī)和人類的公開(kāi)圖靈測(cè)試（Completely Automated Public Turing test to tell Computersand Humans Apart）。從其全稱可以看出，驗(yàn)證碼用于測(cè)試用戶是真實(shí)的人類還是計(jì)算機(jī)機(jī)器人。

站在用戶的角度思考問(wèn)題，與客戶深入溝通，找到新會(huì)網(wǎng)站設(shè)計(jì)與新會(huì)網(wǎng)站推廣的解決方案，憑借多年的經(jīng)驗(yàn)，讓設(shè)計(jì)與互聯(lián)網(wǎng)技術(shù)結(jié)合，創(chuàng)造個(gè)性化、用戶體驗(yàn)好的作品，建站類型包括：成都網(wǎng)站建設(shè)、成都網(wǎng)站制作、企業(yè)官網(wǎng)、英文網(wǎng)站、手機(jī)端網(wǎng)站、網(wǎng)站推廣、國(guó)際域名空間、虛擬主機(jī)、企業(yè)郵箱。業(yè)務(wù)覆蓋新會(huì)地區(qū)。

1.獲得驗(yàn)證碼圖片

每次加載注冊(cè)網(wǎng)頁(yè)都會(huì)顯示不同的驗(yàn)證驗(yàn)圖像，為了了解表單需要哪些參數(shù)，我們可以復(fù)用上一章編寫的parse_form()函數(shù)。

import cookielib,urllib2,pprint import form REGISTER_URL = '' cj=cookielib.CookieJar() opener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cj)) html=opener.open(REGISTER_URL).read() form=form.parse_form(html) pprint.pprint(form)

{'_formkey': 'a67cbc84-f291-4ecd-9c2c-93937faca2e2', '_formname': 'register', '_next': '/places/default/index', 'email': '', 'first_name': '', 'last_name': '', 'password': '', 'password_two': '', 'recaptcha_response_field': None} 123456789101112131415161718

上面recaptcha_response_field是存儲(chǔ)驗(yàn)證碼的值，其值可以用Pillow從驗(yàn)證碼圖像獲取出來(lái)。先安裝pip install Pillow，其它安裝Pillow的方法可以參考 。Pillow提價(jià)了一個(gè)便捷的Image類，其中包含了很多用于處理驗(yàn)證碼圖像的高級(jí)方法。下面的函數(shù)使用注冊(cè)頁(yè)的HTML作為輸入?yún)?shù)，返回包含驗(yàn)證碼圖像的Image對(duì)象。

import lxml.html from io import BytesIO from PIL import Image tree=lxml.html.fromstring(html) print tree

Element html at 0x7f8b006ba890 img_data_all=tree.cssselect('div#recaptcha img')[0].get('src') print img_data_all

data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAQAAAABgCAIAAAB9kzvfAACAtklEQVR4nO29Z5gcZ5ku3F2dc865

...

rkJggg== img_data=img_data_all.partition(',')[2] print img_data

iVBORw0KGgoAAAANSUhEUgAAAQAAAABgCAIAAAB9kzvfAACAtklEQVR4nO29Z5gcZ5ku3F2dc865

...

rkJggg== binary_img_data=img_data.decode('base64') file_like=BytesIO(binary_img_data) print file_like

_io.BytesIO object at 0x7f8aff6736b0 img=Image.open(file_like) print img

PIL.PngImagePlugin.PngImageFile image mode=RGB size=256x96 at 0x7F8AFF5FAC90 12345678910111213141516171819202122232425

在本例中，這是一張進(jìn)行了Base64編碼的PNG圖像，這種格式會(huì)使用ASCII編碼表示二進(jìn)制數(shù)據(jù)。我們可以通過(guò)在第一個(gè)逗號(hào)處分割的方法移除該前綴。然后，使用Base64解碼圖像數(shù)據(jù)，回到最初的二進(jìn)制格式。要想加載圖像，PIL需要一個(gè)類似文件的接口，所以在傳給Image類之前，我們以使用了BytesIO對(duì)這個(gè)二進(jìn)制數(shù)據(jù)進(jìn)行了封裝。

完整代碼:

# -*- coding: utf-8 -*-form.pyimport urllibimport urllib2import cookielibfrom io import BytesIOimport lxml.htmlfrom PIL import Image

REGISTER_URL = ''#REGISTER_URL = ''def extract_image(html):

tree = lxml.html.fromstring(html)

img_data = tree.cssselect('div#recaptcha img')[0].get('src') # remove data:image/png;base64, header

img_data = img_data.partition(',')[-1] #open('test_.png', 'wb').write(data.decode('base64'))

binary_img_data = img_data.decode('base64')

file_like = BytesIO(binary_img_data)

img = Image.open(file_like) #img.save('test.png')

return imgdef parse_form(html):

"""extract all input properties from the form

"""

tree = lxml.html.fromstring(html)

data = {} for e in tree.cssselect('form input'): if e.get('name'):

data[e.get('name')] = e.get('value') return datadef register(first_name, last_name, email, password, captcha_fn):

cj = cookielib.CookieJar()

opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))

html = opener.open(REGISTER_URL).read()

form = parse_form(html)

form['first_name'] = first_name

form['last_name'] = last_name

form['email'] = email

form['password'] = form['password_two'] = password

img = extract_image(html)#

captcha = captcha_fn(img)#

form['recaptcha_response_field'] = captcha

encoded_data = urllib.urlencode(form)

request = urllib2.Request(REGISTER_URL, encoded_data)

response = opener.open(request)

success = '/user/register' not in response.geturl() #success = '/places/default/user/register' not in response.geturl()

return success12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152

2.光學(xué)字符識(shí)別驗(yàn)證碼

光學(xué)字符識(shí)別（Optical Character Recognition, OCR）用于圖像中抽取文本。本節(jié)中，我們將使用開(kāi)源的Tesseract OCR引擎，該引擎最初由惠普公司開(kāi)發(fā)的，目前由Google主導(dǎo)。Tesseract的安裝說(shuō)明可以從 獲取。然后可以使用pip安裝其Python封裝版本pytesseractpip install pytesseract。

下面我們用光學(xué)字符識(shí)別圖像驗(yàn)證碼：

import pytesseract import form img=form.extract_image(html) pytesseract.image_to_string(img)'' 123456

如果直接把驗(yàn)證碼原始圖像傳給pytesseract，一般不能解析出來(lái)。這是因?yàn)門esseract是抽取更加典型的文本，比如背景統(tǒng)一的書(shū)頁(yè)。下面我們進(jìn)行去除背景噪音，只保留文本部分。驗(yàn)證碼文本一般都是黑色的，背景則會(huì)更加明亮，所以我們可以通過(guò)檢查是否為黑色將文本分離出來(lái)，該處理過(guò)程又被稱為閾值化。

img.save('2captcha_1original.png') gray=img.convert('L') gray.save('2captcha_2gray.png') bw=gray.point(lambda x:0 if x1 else 255,'1') bw.save('2captcha_3thresholded.png') 1234567

這里只有閾值小于1的像素（全黑）都會(huì)保留下來(lái)，分別得到三張圖像：原始驗(yàn)證碼圖像、轉(zhuǎn)換后的灰度圖和閾值化處理后的黑白圖像。最后我們將閾值化處理后黑白圖像再進(jìn)行Tesseract處理，驗(yàn)證碼中的文字已經(jīng)被成功抽取出來(lái)了。

pytesseract.image_to_string(bw)'language' import Image,pytesseract img=Image.open('2captcha_3thresholded.png') pytesseract.image_to_string(img)'language' 123456789

我們通過(guò)示例樣本測(cè)試，100張驗(yàn)證碼能正確識(shí)別出90張。

import ocr ocr.test_samples()

Accuracy: 90/100 1234

下面是注冊(cè)賬號(hào)完整代碼：

# -*- coding: utf-8 -*-import csvimport stringfrom PIL import Imageimport pytesseractfrom form import registerdef main():

print register('Wu1', 'Being1', 'Wu_Being001@qq.com', 'example', ocr)def ocr(img):

# threshold the image to ignore background and keep text

gray = img.convert('L') #gray.save('captcha_greyscale.png')

bw = gray.point(lambda x: 0 if x 1 else 255, '1') #bw.save('captcha_threshold.png')

word = pytesseract.image_to_string(bw)

ascii_word = ''.join(c for c in word if c in string.letters).lower() return ascii_wordif __name__ == '__main__':

main()1234567891011121314151617181920212223

我們可以進(jìn)一步改善OCR性能：

- 實(shí)驗(yàn)不同閾值

- 腐蝕閾值文本，突出字符形狀

- 調(diào)整圖像大小

- 根據(jù)驗(yàn)證碼字體訓(xùn)練ORC工具

- 限制結(jié)果為字典單詞

如何用Python做爬蟲(chóng)

1）首先你要明白爬蟲(chóng)怎樣工作。

想象你是一只蜘蛛，現(xiàn)在你被放到了互聯(lián)“網(wǎng)”上。那么，你需要把所有的網(wǎng)頁(yè)都看一遍。怎么辦呢？沒(méi)問(wèn)題呀，你就隨便從某個(gè)地方開(kāi)始，比如說(shuō)人民日?qǐng)?bào)的首頁(yè)，這個(gè)叫initial pages，用$表示吧。

在人民日?qǐng)?bào)的首頁(yè)，你看到那個(gè)頁(yè)面引向的各種鏈接。于是你很開(kāi)心地從爬到了“國(guó)內(nèi)新聞”那個(gè)頁(yè)面。太好了，這樣你就已經(jīng)爬完了倆頁(yè)面（首頁(yè)和國(guó)內(nèi)新聞）！暫且不用管爬下來(lái)的頁(yè)面怎么處理的，你就想象你把這個(gè)頁(yè)面完完整整抄成了個(gè)html放到了你身上。

突然你發(fā)現(xiàn)， 在國(guó)內(nèi)新聞這個(gè)頁(yè)面上，有一個(gè)鏈接鏈回“首頁(yè)”。作為一只聰明的蜘蛛，你肯定知道你不用爬回去的吧，因?yàn)槟阋呀?jīng)看過(guò)了啊。所以，你需要用你的腦子，存下你已經(jīng)看過(guò)的頁(yè)面地址。這樣，每次看到一個(gè)可能需要爬的新鏈接，你就先查查你腦子里是不是已經(jīng)去過(guò)這個(gè)頁(yè)面地址。如果去過(guò)，那就別去了。

好的，理論上如果所有的頁(yè)面可以從initial page達(dá)到的話，那么可以證明你一定可以爬完所有的網(wǎng)頁(yè)。

那么在python里怎么實(shí)現(xiàn)呢？

很簡(jiǎn)單

import Queue

initial_page = "初始化頁(yè)"

url_queue = Queue.Queue()

seen = set()

seen.insert(initial_page)

url_queue.put(initial_page)

while(True): #一直進(jìn)行直到海枯石爛

if url_queue.size()0:

current_url = url_queue.get() #拿出隊(duì)例中第一個(gè)的url

store(current_url) #把這個(gè)url代表的網(wǎng)頁(yè)存儲(chǔ)好

for next_url in extract_urls(current_url): #提取把這個(gè)url里鏈向的url

if next_url not in seen:

seen.put(next_url)

url_queue.put(next_url)

else:

break

寫得已經(jīng)很偽代碼了。

所有的爬蟲(chóng)的backbone都在這里，下面分析一下為什么爬蟲(chóng)事實(shí)上是個(gè)非常復(fù)雜的東西——搜索引擎公司通常有一整個(gè)團(tuán)隊(duì)來(lái)維護(hù)和開(kāi)發(fā)。

2）效率

如果你直接加工一下上面的代碼直接運(yùn)行的話，你需要一整年才能爬下整個(gè)豆瓣的內(nèi)容。更別說(shuō)Google這樣的搜索引擎需要爬下全網(wǎng)的內(nèi)容了。

問(wèn)題出在哪呢？需要爬的網(wǎng)頁(yè)實(shí)在太多太多了，而上面的代碼太慢太慢了。設(shè)想全網(wǎng)有N個(gè)網(wǎng)站，那么分析一下判重的復(fù)雜度就是N*log(N)，因?yàn)樗芯W(wǎng)頁(yè)要遍歷一次，而每次判重用set的話需要log(N)的復(fù)雜度。OK，OK，我知道python的set實(shí)現(xiàn)是hash——不過(guò)這樣還是太慢了，至少內(nèi)存使用效率不高。

通常的判重做法是怎樣呢？Bloom Filter. 簡(jiǎn)單講它仍然是一種hash的方法，但是它的特點(diǎn)是，它可以使用固定的內(nèi)存（不隨url的數(shù)量而增長(zhǎng)）以O(shè)(1)的效率判定url是否已經(jīng)在set中。可惜天下沒(méi)有白吃的午餐，它的唯一問(wèn)題在于，如果這個(gè)url不在set中，BF可以100%確定這個(gè)url沒(méi)有看過(guò)。但是如果這個(gè)url在set中，它會(huì)告訴你：這個(gè)url應(yīng)該已經(jīng)出現(xiàn)過(guò)，不過(guò)我有2%的不確定性。注意這里的不確定性在你分配的內(nèi)存足夠大的時(shí)候，可以變得很小很少。一個(gè)簡(jiǎn)單的教程:Bloom Filters by Example

注意到這個(gè)特點(diǎn)，url如果被看過(guò)，那么可能以小概率重復(fù)看一看（沒(méi)關(guān)系，多看看不會(huì)累死）。但是如果沒(méi)被看過(guò)，一定會(huì)被看一下（這個(gè)很重要，不然我們就要漏掉一些網(wǎng)頁(yè)了！）。 [IMPORTANT: 此段有問(wèn)題，請(qǐng)暫時(shí)略過(guò)]

好，現(xiàn)在已經(jīng)接近處理判重最快的方法了。另外一個(gè)瓶頸——你只有一臺(tái)機(jī)器。不管你的帶寬有多大，只要你的機(jī)器下載網(wǎng)頁(yè)的速度是瓶頸的話，那么你只有加快這個(gè)速度。用一臺(tái)機(jī)子不夠的話——用很多臺(tái)吧！當(dāng)然，我們假設(shè)每臺(tái)機(jī)子都已經(jīng)進(jìn)了最大的效率——使用多線程（python的話，多進(jìn)程吧）。

3）集群化抓取

爬取豆瓣的時(shí)候，我總共用了100多臺(tái)機(jī)器晝夜不停地運(yùn)行了一個(gè)月。想象如果只用一臺(tái)機(jī)子你就得運(yùn)行100個(gè)月了...

那么，假設(shè)你現(xiàn)在有100臺(tái)機(jī)器可以用，怎么用python實(shí)現(xiàn)一個(gè)分布式的爬取算法呢？

我們把這100臺(tái)中的99臺(tái)運(yùn)算能力較小的機(jī)器叫作slave，另外一臺(tái)較大的機(jī)器叫作master，那么回顧上面代碼中的url_queue，如果我們能把這個(gè)queue放到這臺(tái)master機(jī)器上，所有的slave都可以通過(guò)網(wǎng)絡(luò)跟master聯(lián)通，每當(dāng)一個(gè)slave完成下載一個(gè)網(wǎng)頁(yè)，就向master請(qǐng)求一個(gè)新的網(wǎng)頁(yè)來(lái)抓取。而每次slave新抓到一個(gè)網(wǎng)頁(yè)，就把這個(gè)網(wǎng)頁(yè)上所有的鏈接送到master的queue里去。同樣，bloom filter也放到master上，但是現(xiàn)在master只發(fā)送確定沒(méi)有被訪問(wèn)過(guò)的url給slave。Bloom Filter放到master的內(nèi)存里，而被訪問(wèn)過(guò)的url放到運(yùn)行在master上的Redis里，這樣保證所有操作都是O(1)。（至少平攤是O(1)，Redis的訪問(wèn)效率見(jiàn):LINSERT – Redis)

考慮如何用python實(shí)現(xiàn)：

在各臺(tái)slave上裝好scrapy，那么各臺(tái)機(jī)子就變成了一臺(tái)有抓取能力的slave，在master上裝好Redis和rq用作分布式隊(duì)列。

代碼于是寫成

#slave.py

current_url = request_from_master()

to_send = []

for next_url in extract_urls(current_url):

to_send.append(next_url)

store(current_url);

send_to_master(to_send)

#master.py

distributed_queue = DistributedQueue()

bf = BloomFilter()

initial_pages = ""

while(True):

if request == 'GET':

if distributed_queue.size()0:

send(distributed_queue.get())

else:

break

elif request == 'POST':

bf.put(request.url)

好的，其實(shí)你能想到，有人已經(jīng)給你寫好了你需要的：darkrho/scrapy-redis · GitHub

4）展望及后處理

雖然上面用很多“簡(jiǎn)單”，但是真正要實(shí)現(xiàn)一個(gè)商業(yè)規(guī)模可用的爬蟲(chóng)并不是一件容易的事。上面的代碼用來(lái)爬一個(gè)整體的網(wǎng)站幾乎沒(méi)有太大的問(wèn)題。

但是如果附加上你需要這些后續(xù)處理，比如

有效地存儲(chǔ)（數(shù)據(jù)庫(kù)應(yīng)該怎樣安排）

有效地判重（這里指網(wǎng)頁(yè)判重，咱可不想把人民日?qǐng)?bào)和抄襲它的大民日?qǐng)?bào)都爬一遍）

有效地信息抽取（比如怎么樣抽取出網(wǎng)頁(yè)上所有的地址抽取出來(lái)，“朝陽(yáng)區(qū)奮進(jìn)路中華道”），搜索引擎通常不需要存儲(chǔ)所有的信息，比如圖片我存來(lái)干嘛...

及時(shí)更新（預(yù)測(cè)這個(gè)網(wǎng)頁(yè)多久會(huì)更新一次）

如你所想，這里每一個(gè)點(diǎn)都可以供很多研究者十?dāng)?shù)年的研究。雖然如此，

“路漫漫其修遠(yuǎn)兮,吾將上下而求索”。

所以，不要問(wèn)怎么入門，直接上路就好了：）

python爬蟲(chóng)---爬取LOL云頂之弈數(shù)據(jù)

本來(lái)是想爬取之后作最佳羈絆組合推算，但是遇到知識(shí)點(diǎn)無(wú)法消化（知識(shí)圖譜），所以暫時(shí)先不組合了，實(shí)力有限

庫(kù)的安裝

1.requests? #爬取棋子數(shù)據(jù)

2.json? #棋子數(shù)據(jù)為js動(dòng)態(tài)，需使用json解析

3.BeautifulSoup

實(shí)戰(zhàn)前先新建個(gè)lol文件夾作為工作目錄，并創(chuàng)建子目錄data，用于存放數(shù)據(jù)。

1.爬取數(shù)據(jù)，新建個(gè)py文件，用于爬取云頂數(shù)據(jù)，命名為data.py

1.1定義個(gè)req函數(shù)，方便讀取。//需設(shè)定編碼格式，否則會(huì)出現(xiàn)亂碼

def Re_data(url):

re = requests.get(url)

re.encoding = 'gbk'

data = json.loads(re.text)

return data['data']

1.2定義個(gè)Get函數(shù)，用于讀取數(shù)據(jù)并使用保存函數(shù)進(jìn)行保存數(shù)據(jù)，保存格式為json。

def Get_data():

# 獲取數(shù)據(jù)并保存至data目錄

base_url = ''

chess = Re_data(base_url + 'chess.js')

race = Re_data(base_url + 'race.js')

job = Re_data(base_url + 'job.js')

equip = Re_data(base_url + 'equip.js')

Save_data(chess,race,job,equip)

1.3定義save函數(shù)實(shí)現(xiàn)讀取的數(shù)據(jù)進(jìn)行文件保存，保存目錄為工作目錄下的data文件夾。

def Save_data(t_chess,t_race,t_job,t_equip):

with open('./data/chess.json','w') as f:

json.dump(t_chess,f,indent='\t')

with open('./data/race.json','w') as f:

json.dump(t_race,f,indent='\t')

with open('./data/job.json','w') as f:

json.dump(t_job,f,indent='\t')

with open('./data/equip.json','w') as f:

json.dump(t_equip,f,indent='\t')

1.4定義主函數(shù)main跑起來(lái)

if __name__ == '__main__':

start = time.time()

Get_data()

print('運(yùn)行時(shí)間：' + str(time.time() - start) + '秒')

至此，數(shù)據(jù)爬取完成。

2.種族和職業(yè)進(jìn)行組合。

2.1未完成 //未完成，使用窮舉方法進(jìn)行組合會(huì)出現(xiàn)內(nèi)存不夠?qū)е陆M合失敗（for循環(huán)嵌套導(dǎo)致數(shù)組內(nèi)存超限）

//待學(xué)習(xí)，使用知識(shí)圖譜建立組合優(yōu)選，可參考：

期間遇到的問(wèn)題：

1.爬取棋子數(shù)據(jù)時(shí)為動(dòng)態(tài)js加載，需通過(guò)json模塊的loads方法獲取

2.3層for循環(huán)嵌套數(shù)據(jù)量大，導(dǎo)致計(jì)算失敗，需優(yōu)化計(jì)算方法。

網(wǎng)站題目：python爬蟲(chóng)函數(shù)詳解 python爬蟲(chóng)方法
轉(zhuǎn)載注明：http://chinadenli.net/article8/doopjip.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供移動(dòng)網(wǎng)站建設(shè)、網(wǎng)站排名、網(wǎng)站內(nèi)鏈、網(wǎng)站改版、用戶體驗(yàn)、軟件開(kāi)發(fā)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)