宣告：以下內容均為我個人的理解，如果發現錯誤或者疑問可以聯絡我共同探討
爬蟲介紹
網站介紹
本次要爬取的網站為bilibili，它是國內知名的視訊彈幕網站,這裡有及時的動漫新番,活躍的ACG氛圍,有創意的Up主。可以在這裡找到許多歡樂。
編寫爬蟲的原因和用途
bilibili已經從原來的小破站變成了現在現象級的多元化的社群網站，本次爬取它的目的是以它作為一個典型，告訴大家遇到各型別驗證碼的一種思路。
其實這類網站有個最簡單的辦法，就是提前登陸手動獲取到cookie，然後根據cookie去請求我們需要爬取的網站。個人目的的爬蟲可以用這類方法，比較省編寫程式碼的時間。但是公司中可能會遇到眾多賬戶的爬蟲需求，一個一個手動登入去獲取cookie就比較麻煩了，這時候使用Selenium自動化去獲取效率就高很多了。
Selenium
簡介
正如他們官方的介紹Selenium automates browsers. That's it!，他是一個自動化的瀏覽器，可以模擬人的操作。
使用教程
推薦通過Selenium中文網學習，非常全面！
驗證碼分析
滑動驗證碼
嗶哩嗶哩從之前的驗證碼是滑動驗證碼，主要思路就是找到缺口確定缺口的座標，然後通過Selenium操作滑動到指定位置就行。類似的還有阿里系的大部分網頁，比如飛豬、淘寶、天貓等，不過阿里系的不是每次都需要驗證，得根據實際情況操作。
這種就是找到最右邊的位置資訊，然後滑動即可
這種需要先找到整個圖片的位置，然後滑動先找到內容的輪廓在進行滑動，都是同一個思路演變的
看圖填答案系列
包括東方財富網上交易、bigquant等等，這類比較簡單。將其下載下來根據驗證碼的情況進行處理然後交給各大雲服務商的ORC服務識別就可以，都有免費試用的額度，根據自己的需求和喜好選擇，也可以多試幾家進行對比。
根據圖片進行操作點選系列
目前多了很多這種驗證碼，這種的難度在於情況變化比較多，不僅限於漢字和數字，還有可能是圖片等等，這時候自己想辦法也能解決，但是策略一改變就比較麻煩，可以藉助各類打碼的平臺，對內容進行識別，然後再根據內容去進行操作
bilibili登陸分析
bilibili的最新的驗證碼屬於第三種，在點選登陸按鈕就會出現一個驗證碼的框,我們需要將這個圖片下載下來給打碼平臺去識別，獲得座標資訊然後再用Selenium進行點選操作
bilibili驗證碼
編寫程式碼
Selenium模擬登陸
import re
import time
import base64
import json
import requests
from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.chrome.options import Options
class Bilibili(object):
def __init__(self):
chrome_options = Options()
# 設定無視窗模式
# chrome_options.add_argument('--headless')
self.driver = webdriver.Chrome('./chromedriver', options=chrome_options)
def login(self, username, password):
# 開登陸頁面
self.driver.get("https://passport.bilibili.com/login")
# 輸入使用者名稱和密碼
self.driver.find_element_by_id('login-username').send_keys(username)
self.driver.find_element_by_id('login-passwd').send_keys(password)
# 點選登陸按鈕
self.driver.find_element_by_class_name('btn-login').click()
# 等待驗證碼出現
# self.driver.implicitly_wait(10)
time.sleep(5)
# 獲取圖片所在屬性
img_style = self.driver.find_element_by_class_name('geetest_tip_img').get_attribute('style')
# 通過正規表示式獲得圖片url
url = re.findall('url\("(.*?)"\)', img_style)[0]
# 通過requests傳送請求得到圖片
response = requests.get(url).content
# 將圖片儲存在本地
with open('./captcha.png', 'wb') as f:
f.write(response)
# 通過打碼平臺進行打碼識別
result = self.captcha_recognition()
# 識別成功
if result != "":
# 對識別到的座標進行分組處理
result_list = result.split('|')
for result in result_list:
x = result.split(',')[0]
y = result.split(',')[1]
# 根據座標執行整個動作鏈
ActionChains(self.driver).move_to_element_with_offset(img_style, int(x), int(y)).click().perform()
# 點選確定按鈕
self.driver.find_element_by_class_name('geetest_commit').click()
# 獲得登陸後的cookie
cookie = [item["name"] + "=" + item["value"] for item in self.driver.get_cookies()]
self.driver.close()
return cookie
def captcha_recognition(self):
"""驗證碼識別"""
username = 'username'
password = 'password'
with open('./captcha.png', 'rb') as f:
base64_data = base64.b64encode(f.read())
b64 = base64_data.decode()
data = {"username": username, "password": password, "typeid": 27, "image": b64}
result = json.loads(requests.post("http://api.ttshitu.com/predict", json=data).text)
if result['success']:
return result["data"]["result"]
else:
print(result["message"])
return ""本作品採用《CC 協議》，轉載必須註明作者和本文連結