二十二 Python分布式爬虫打造搜索引擎Scrapy精讲—scrapy模拟登陆和知乎倒立文字验证码识别...
第一步。首先下载,大神者也的倒立文字验证码识别程序
下载地址:https://github.com/muchrooms/zheye
注意:此程序依赖以下模块包
Keras==2.0.1
Pillow==3.4.2
jupyter==1.0.0
matplotlib==1.5.3
numpy==1.12.1
scikit-learn==0.18.1
tensorflow==1.0.1
h5py==2.6.0
numpy-1.13.1+mkl
我们用豆瓣园来加速安以上依赖装如:
pip install -i https://pypi.douban.com/simple h5py==2.6.0
如果是win系统,可能存在安装失败的可能,如果那个包安装失败,就到 http://www.lfd.uci.edu/~gohlke/pythonlibs/ 找到win对应的版本下载到本地安装,如:
pip install h5py-2.7.0-cp35-cp35m-win_amd64.whl
第二步,将者也的,验证码识别程序的zheye文件夹放到工程目录里
第三步,爬虫实现
start_requests()方法,起始url函数,会替换start_urls
Request()方法,get方式请求网页
url=字符串类型url
headers=字典类型浏览器代理
meta=字典类型的数据,会传递给回调函数
callback=回调函数名称
scrapy.FormRequest()post方式提交数据
url=字符串类型url
headers=字典类型浏览器代理
meta=字典类型的数据,会传递给回调函数
callback=回调函数名称
formdata=字典类型,要提交的数据字段
response.headers.getlist('Set-Cookie') 获取响应Cookies
response.request.headers.getlist('Cookie') 获取请求Cookies
# -*- coding: utf-8 -*- import scrapy from scrapy.http import Request,FormRequest import reclass PachSpider(scrapy.Spider): #定义爬虫类,必须继承scrapy.Spidername = 'pach' #设置爬虫名称allowed_domains = ['zhihu.com'] #爬取域名# start_urls = [''] #爬取网址,只适于不需要登录的请求,因为没法设置cookie等信息header = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0'} #设置浏览器用户代理def start_requests(self): #起始url函数,会替换start_urls"""第一次请求一下登录页面,设置开启cookie使其得到cookie,设置回调函数"""return [Request(url='https://www.zhihu.com/#signin',headers=self.header,meta={'cookiejar':1}, #开启Cookies记录,将Cookies传给回调函数callback=self.parse)]def parse(self, response):# 响应CookiesCookie1 = response.headers.getlist('Set-Cookie') #查看一下响应Cookie,也就是第一次访问注册页面时后台写入浏览器的Cookieprint('后台首次写入的响应Cookies:',Cookie1)#获取xsrf密串xsrf = response.xpath('//input[@name="_xsrf"]/@value').extract()[0]print('获取xsrf密串:' + xsrf)#获取验证码import timet = str(int(time.time()*1000))captcha_url = 'https://www.zhihu.com/captcha.gif?r={0}&type=login&lang=cn'.format(t) #构造验证码请求地址yield Request(url=captcha_url, #请求验证码图片headers=self.header,meta={'cookiejar':response.meta['cookiejar'],'xsrf':xsrf}, #将Cookies和xsrf密串传给回调函数callback=self.post_tj)def post_tj(self, response):with open('yzhm.jpg','wb') as f: #打开图片句柄f.write(response.body) #将验证码图片写入本地f.close() #关闭句柄#--------------------------------------------者也验证码识别------------------------------------------from zheye import zheye #导入者也倒立文字验证码识别模块对象z = zheye() #实例化对象positions = z.Recognize('yzhm.jpg') #将验证码本地路径传入Recognize方法识别,返回倒立图片的坐标# print(positions) #默认倒立文字的y坐标在前,x坐标在后#知乎网要求的倒立文字坐标是x轴在前,y轴在后,所以我们需要定义一个列表来改变默认的,倒立文字坐标位置pos_arr = []if len(positions) == 2:if positions[0][1] > positions[1][1]: #判断列表里第一个元祖里的第二个元素如果大于,第二个元祖里的第二个元素pos_arr.append([positions[1][1],positions[1][0]])pos_arr.append([positions[0][1], positions[0][0]])else:pos_arr.append([positions[0][1], positions[0][0]])pos_arr.append([positions[1][1], positions[1][0]])else:pos_arr.append([positions[0][1], positions[0][0]])print('处理后的验证码坐标',pos_arr)# --------------------------------------------者也验证码识别结束------------------------------------------if len(pos_arr) == 2:data = { # 设置用户登录信息,对应抓包得到字段'_xsrf': response.meta['xsrf'],'password': '279819','captcha': '{"img_size":[200,44],"input_points":[[%.2f,%f],[%.2f,%f]]}' %(pos_arr[0][0] / 2, pos_arr[0][1] / 2, pos_arr[1][0] / 2, pos_arr[1][1] / 2), #因为验证码识别默认是400X88的尺寸所以要除以2'captcha_type': 'cn','phone_num': '15284816568'}else:data = { # 设置用户登录信息,对应抓包得到字段'_xsrf': response.meta['xsrf'],'password': '279819','captcha': '{"img_size":[200,44],"input_points":[[%.2f,%f]]}' %(pos_arr[0][0] / 2, pos_arr[0][1] / 2),'captcha_type': 'cn','phone_num': '15284816568'}print('登录提交数据',data)print('登录中....!')"""第二次用表单post请求,携带Cookie、浏览器代理、用户登录信息,进行登录给Cookie授权"""return [scrapy.FormRequest(url='https://www.zhihu.com/login/phone_num', #真实post地址meta={'cookiejar':response.meta['cookiejar']}, #接收第传过来的Cookiesheaders=self.header,formdata=data,callback=self.next)]def next(self,response):# 请求CookieCookie2 = response.request.headers.getlist('Cookie')print('登录时携带请求的Cookies:',Cookie2)jieg = response.body.decode("utf-8") #登录后可以查看一下登录响应信息print('登录响应结果:',jieg)print('正在请需要登录才可以访问的页面....!')"""登录后请求需要登录才能查看的页面,如个人中心,携带授权后的Cookie请求"""yield Request(url='https://www.zhihu.com/people/lin-gui-xiu-41/activities',headers=self.header,meta={'cookiejar':True},callback=self.next2)def next2(self,response):# 请求CookieCookie3 = response.request.headers.getlist('Cookie')print('查看需要登录才可以访问的页面携带Cookies:',Cookie3)leir = response.xpath('/html/head/title/text()').extract() #得到个人中心页面print('最终内容',leir)# print(response.body.decode("utf-8"))
转载于:https://www.cnblogs.com/meng-wei-zhi/p/8182711.html
二十二 Python分布式爬虫打造搜索引擎Scrapy精讲—scrapy模拟登陆和知乎倒立文字验证码识别...相关推荐
- Python分布式爬虫打造搜索引擎完整版-基于Scrapy、Redis、elasticsearch和django打造一个完整的搜索引擎网站
Python分布式爬虫打造搜索引擎 基于Scrapy.Redis.elasticsearch和django打造一个完整的搜索引擎网站 https://github.com/mtianyan/Artic ...
- 三十五 Python分布式爬虫打造搜索引擎Scrapy精讲—scrapy分布式爬虫要点
1.分布式爬虫原理 2.分布式爬虫优点 3.分布式爬虫需要解决的问题 转载于:https://www.cnblogs.com/meng-wei-zhi/p/8182813.html
- 三十四 Python分布式爬虫打造搜索引擎Scrapy精讲—scrapy信号详解
信号一般使用信号分发器dispatcher.connect(),来设置信号,和信号触发函数,当捕获到信号时执行一个函数 dispatcher.connect()信号分发器,第一个参数信号触发函数,第二 ...
- 第三百三十八节,Python分布式爬虫打造搜索引擎Scrapy精讲—深度优先与广度优先原理...
第三百三十八节,Python分布式爬虫打造搜索引擎Scrapy精讲-深度优先与广度优先原理 网站树形结构 深度优先 是从左到右深度进行爬取的,以深度为准则从左到右的执行(递归方式实现)Scrapy默认 ...
- 第三百六十节,Python分布式爬虫打造搜索引擎Scrapy精讲—elasticsearch(搜索引擎)的基本概念...
第三百六十节,Python分布式爬虫打造搜索引擎Scrapy精讲-elasticsearch(搜索引擎)的基本概念 elasticsearch的基本概念 1.集群:一个或者多个节点组织在一起 2.节点 ...
- 第三百四十五节,Python分布式爬虫打造搜索引擎Scrapy精讲—爬虫和反爬的对抗过程以及策略—scrapy架构源码分析图...
第三百四十五节,Python分布式爬虫打造搜索引擎Scrapy精讲-爬虫和反爬的对抗过程以及策略-scrapy架构源码分析图 1.基本概念 2.反爬虫的目的 3.爬虫和反爬的对抗过程以及策略 scra ...
- Python分布式爬虫打造搜索引擎
Python分布式爬虫打造搜索引擎 基于Scrapy.Redis.elasticsearch和django打造一个完整的搜索引擎网站 未来是什么时代?是数据时代!数据分析服务.互联网金融,数据建模.自 ...
- 学习python-day02-25---转自Python分布式爬虫打造搜索引擎Scrapy精讲
第三百六十九节,Python分布式爬虫打造搜索引擎Scrapy精讲-elasticsearch(搜索引擎)用Django实现搜索功能 Django实现搜索功能 1.在Django配置搜索结果页的路由映 ...
- 学习python-day02-24---转自Python分布式爬虫打造搜索引擎Scrapy精讲
第三百六十八节,Python分布式爬虫打造搜索引擎Scrapy精讲-用Django实现搜索的自动补全功能 elasticsearch(搜索引擎)提供了自动补全接口 官方说明:https://www.e ...
最新文章
- [Android Studio] Android Studio常用快捷键
- mysql输出非零列_如何只提取mysql和php中具有非零值的列?
- Fill in blank -Thermal experiment theory and technology2018-01-06
- java 什么是耦合_什么是耦合、解耦
- oracle数据库编程实验2答案,Oracle数据库-作业2-答案
- 6 月 4 日!苹果 WWDC 2018 或重点推出 iOS 12 系统
- Java 接口中使用数组缺点的理由
- Python出现‘ascii‘ codec can‘t encode characters...的解决方法
- 全国大学生软件测试大赛Web应用测试(八)Web众包测试具体流程
- 惠普台式计算机耳机插口,hp电脑耳机插孔没声音的解决方法
- 史上最全的MathCAD安装教程
- c#获取软件版本、windows用户名、windows用户目录、.net版本、windows版本等
- MATLAB2018a解压文件损坏,文件解压失败与压缩文件文件已经损坏的解决办法
- 华中邀请四届 WHU1567 Sloth's Angry
- “数据分析”岗位分析
- 关于VMD相关介绍(二)
- C语言共用体中,共用体变量的规律
- 通往大国之路 中国的知识重建和文明复兴
- 火山引擎徐鑫:工程师如何与云原生共同成长
- hp服务器看网卡位置,HP SuperDome确定网卡所在物理位置的方法:
热门文章
- SQL死锁知识及解决办法
- jsp_el内置对象pageContext和Cookie
- 01_01 JSP基础语法之Scriptlet
- 雅虎网站页面性能优化的34条黄金守则(转)
- javascript学习之对象基础
- 《网友世界》杂志:2010“最不给力”软件
- msf win10漏洞_【CVE20200796】漏洞复现
- python爬取所有数据_入门用Python进行Web爬取数据:为数据科学项目提取数据的有效方法...
- idea 修改样式要编译_在IDEA中DEBUG Javac源码
- RocketMQ(六)—IndexFile详解