selenium自动化测试+OCR-获取图片页面小说

随着爬虫技术的发展,反爬虫技术也越来越高。

目前有些网站通过自定义字体库的方式实现反爬,主要表现在页面数据显示正常,但是页面获取到的实际数据是别的字符或者是一个编码。
这种反爬需要解析网站自己的字体库,对加密字符使用字体库对应字符替换。需要制作字体和基本字体间映射关系。
还有些网站通过图片加载内容的方式实现反爬,想要获取网页内容,可以结合使用OCR技术获取图片文字内容。

第一步:先获取网页内容截图

结合之前《selenium自动化测试-获取动态页面小说》相关的文章代码,改造下,封装成一个新方法,只获取小说网页内容截图,按章节ID分目录保存每页截图文件。

依旧采用拆分步骤细化功能模块封装方法编写代码,便于后续扩展功能模块,代码中缺少的封装方法代码,详情参考之前的《selenium自动化测试》文章。

def spider_novel_content_save_image(req_dict):
    '''
    @方法名称: 爬取小说章节明细内容,保存内容截图文件
    @中文注释: 爬取小说章节明细内容,保存内容截图文件
    @入参:
        @param req_dict dict 请求容器
    @出参:
        @返回状态:
            @return 0 失败或异常
            @return 1 成功
        @返回错误码
        @返回错误信息
        @param rsp_dict dict 响应容器
    @作    者: PandaCode辉
    @weixin公众号: PandaCode辉
    @创建时间: 2023-09-26
    @使用范例: spider_novel_content_save_image(req_dict)
    '''

    try:
        if (not type(req_dict) is dict):
            return [0, "111111", "请求容器参数类型错误,不为字典", [None]]
        # 章节目录文件名
        json_name = req_dict['novel_name'] + '.json'
        # 检查文件是否存在
        if os.path.isfile(json_name):
            print('json文件存在,不用重新爬取小说目录.')
        else:
            print('json文件不存在')
            # 爬取小说目录
            spider_novel_mulu(req_dict)
        # 读取json文件
        with open(json_name, 'r') as f:
            data_str = f.read()
        # 转换为字典容器
        mulu_dict = json.loads(data_str)

        # 在列表中查找指定元素的下标,未完成标志下标
        flag_index = mulu_dict['flag'].index('0')
        print(flag_index)
        # 章节总数
        chap_len = len(mulu_dict['chap_url'])
        # 在列表中查找指定元素的下标
        print('章节总数:', chap_len)

        # 截图目录
        screenshot_dir = os.path.join(os.path.dirname(__file__), 'screenshot')
        if not os.path.exists(screenshot_dir):
            os.makedirs(screenshot_dir)

        print('打开浏览器驱动')
        open_driver()
        # 循环读取章节
        for chap_id in range(flag_index, chap_len):
            print('chap_id : ', chap_id)
            # 章节url
            chap_url = mulu_dict['chap_url'][chap_id]
            # 截图目录,根据章节ID分类保存
            chap_id_dir = os.path.join(screenshot_dir, str(chap_id))
            if not os.path.exists(chap_id_dir):
                os.makedirs(chap_id_dir)
            # 打开网址网页
            print('打开网址网页')
            driver.get(chap_url)
            # 等待6秒启动完成
            driver.implicitly_wait(6)
            print('随机休眠')
            # 随机休眠 暂停0-2秒的整数秒
            time.sleep(random.randint(0, 2))

            # 章节分页url列表初始化
            page_href_list = []
            # 根据url地址获取网页信息
            chap_rst = get_html_by_webdriver(chap_url)
            time.sleep(3)
            if chap_rst[0] != 1:
                # 跳出循环爬取
                break
            chap_html_str = chap_rst[3][0]
            # 使用BeautifulSoup解析网页数据
            chap_soup = BeautifulSoup(chap_html_str, "html.parser")
            # 章节内容分页数和分页url
            # 获取分页页码标签下的href元素取出
            page_href_list_tmp = chap_soup.select("div#PageSet > a")
            all_page_cnt = len(page_href_list_tmp)
            print("分页页码链接数量:" + str(all_page_cnt))
            # 去除最后/后面数字+.html
            tmp_chap_url = re.sub(r'(\d+\.html)', '', chap_url)
            for each in page_href_list_tmp:
                if len(each) > 0:
                    chap_url = tmp_chap_url + str(each.get('href'))
                    print("拼接小说章节分页url链接:" + chap_url)
                    # 判断是否已经存在列表中
                    if not chap_url in page_href_list:
                        page_href_list.append(chap_url)
            print("分页url链接列表:" + str(page_href_list))

            # 网页长宽最大化,保证截图是完整的,不会出现滚动条
            S = lambda X: driver.execute_script('return document.body.parentNode.scroll' + X)
            driver.set_window_size(S('Width'), S('Height'))

            # 章节页码,首页
            page_num = 1
            # 章节内容截图
            image_file = os.path.join(chap_id_dir, str(page_num) + '.png')
            # 元素定位
            chap_content_element = driver.find_element(By.ID, 'content')
            print(chap_content_element)
            # 元素截图
            chap_content_element.screenshot(image_file)

            # 分页列表大于0
            if len(page_href_list) > 0:
                for chap_url_page in page_href_list:
                    print("chap_url_page:" + chap_url_page)
                    time.sleep(3)

                    # 打开网址网页
                    print('打开网址网页')
                    driver.get(chap_url_page)
                    # 等待6秒启动完成
                    driver.implicitly_wait(6)
                    print('随机休眠')
                    # 随机休眠 暂停0-2秒的整数秒
                    time.sleep(random.randint(0, 2))

                    # 章节页码
                    page_num += 1
                    # 章节内容截图
                    image_file = os.path.join(chap_id_dir, str(page_num) + '.png')
                    # 元素定位
                    chap_content_element = driver.find_element(By.ID, 'content')
                    print(chap_content_element)
                    # 元素截图
                    chap_content_element.screenshot(image_file)

            # 爬取明细章节内容截图成功后,更新对应标志为-2-截图已完成
            mulu_dict['flag'][chap_id] = '2'
        print('关闭浏览器驱动')
        close_driver()

        # 转换为json字符串
        json_str = json.dumps(mulu_dict)
        # 再次写入json文件,保存更新处理完标志
        with open(json_name, 'w', encoding="utf-8") as json_file:
            json_file.write(json_str)
        print("再次写入json文件,保存更新处理完标志")
        # 返回容器
        return [1, '000000', '爬取小说内容截图成功', [None]]

    except Exception as e:
        print('关闭浏览器驱动')
        close_driver()
        # 转换为json字符串
        json_str = json.dumps(mulu_dict)
        # 再次写入json文件,保存更新处理完标志
        with open(json_name, 'w', encoding="utf-8") as json_file:
            json_file.write(json_str)
        print("再次写入json文件,保存更新处理完标志")
        print("爬取小说内容异常," + str(e))
        return [0, '999999', "爬取小说内容截图异常," + str(e), [None]]

第二步:通过OCR接口识别截图

结合之前《PaddleOCR学习笔记3-通用识别服务》和《selenium自动化测试-获取动态页面小说》相关的文章代码,改造下,封装成一个新方法,通过OCR接口识别小说网页内容截图,然后写入文件保存。

依旧采用拆分步骤细化功能模块封装方法编写代码,便于后续扩展功能模块,代码中缺少的封装方法代码,详情参考之前的《selenium自动化测试》文章。

# 模拟http请求
def requests_http(file_path, file_name, url):
    full_file_path = os.path.join(file_path, file_name)
    # 请求参数,文件名
    req_data = {'upload_file': open(full_file_path, 'rb')}

    # 模拟http请求
    rsp_data = requests.post(url, files=req_data)
    # print(rsp_data.text)
    result_dict = json.loads(rsp_data.text)
    # print(result_dict)
    return result_dict


def spider_novel_content_by_ocr(req_dict):
    '''
    @方法名称: 通过OCR接口获取小说章节明细内容文字
    @中文注释: 读取章节列表json文件,通过OCR接口获取小说章节明细内容文字,保存到文本文件
    @入参:
        @param req_dict dict 请求容器
    @出参:
        @返回状态:
            @return 0 失败或异常
            @return 1 成功
        @返回错误码
        @返回错误信息
        @param rsp_dict dict 响应容器
    @作    者: PandaCode辉
    @weixin公众号: PandaCode辉
    @创建时间: 2023-09-26
    @使用范例: spider_novel_content_by_ocr(req_dict)
    '''

    try:
        if (not type(req_dict) is dict):
            return [0, "111111", "请求容器参数类型错误,不为字典", [None]]
        # 章节目录文件名
        json_name = req_dict['novel_name'] + '.json'
        # 检查文件是否存在
        if os.path.isfile(json_name):
            print('json文件存在,不用重新爬取小说目录.')
        else:
            print('json文件不存在')
            # 爬取小说目录
            spider_novel_mulu(req_dict)
        # 读取json文件
        with open(json_name, 'r') as f:
            data_str = f.read()
        # 转换为字典容器
        mulu_dict = json.loads(data_str)
        """
            关于open()的mode参数:
            'r':读
            'w':写
            'a':追加
            'r+' == r+w(可读可写,文件若不存在就报错(IOError))
            'w+' == w+r(可读可写,文件若不存在就创建)
            'a+' ==a+r(可追加可写,文件若不存在就创建)
            对应的,如果是二进制文件,就都加一个b就好啦:
            'rb'  'wb'  'ab'  'rb+'  'wb+'  'ab+'
        """
        file_name = req_dict['novel_name'] + '.txt'
        # 在列表中查找指定元素的下标,2-截图完成,标志下标
        flag_index = mulu_dict['flag'].index('2')
        print(flag_index)
        # 2-截图完成,标志下标为0,则为第一次爬取章节内容,否则已经写入部分,只能追加内容写入文件
        # 因为章节明细内容很多,防止爬取过程中间中断,重新爬取,不用重复再爬取之前成功写入的数据
        if flag_index == 0:
            # 打开文件,首次创建写入
            fo = open(file_name, "w+", encoding="utf-8")
        else:
            # 打开文件,再次追加写入
            fo = open(file_name, "a+", encoding="utf-8")
        # 章节总数
        chap_len = len(mulu_dict['chap_url'])
        # 在列表中查找指定元素的下标
        print('章节总数:', chap_len)

        # 截图目录
        screenshot_dir = os.path.join(os.path.dirname(__file__), 'screenshot')
        # 循环读取章节
        for chap_id in range(flag_index, chap_len):
            # 识别成功标志
            succ_flag = False
            # 章节标题
            chap_title = mulu_dict['chap_title'][chap_id]
            print('chap_id : ', chap_id)
            # # 写入文件,章节标题
            fo.write("\n" + chap_title + "\r\n")
            # 截图目录,根据章节ID分类保存
            chap_id_dir = os.path.join(screenshot_dir, str(chap_id))
            # 列出目录下的所有文件和文件夹
            file_list = os.listdir(chap_id_dir)
            # 章节目录下文件列表大于0
            if len(file_list) > 0:
                for file_name in file_list:
                    print("file_name:" + file_name)
                    time.sleep(3)

                    url = "http://127.0.0.1:5000/upload/"
                    # 模拟http请求
                    result_dict = requests_http(chap_id_dir, file_name, url)
                    print(result_dict)
                    # 识别成功
                    if result_dict['error_code'] == '000000':
                        succ_flag = True
                        result_list = result_dict['result']
                        for data in result_list:
                            print(data['text'])
                            # 将识别结果,逐行写入文件,章节内容
                            fo.write(data['text'] + "\n")
                    else:
                        succ_flag = False
                        print('识别失败异常.')
            # 识别成功则更新
            if succ_flag:
                # 爬取明细章节内容成功后,更新对应标志为-1-已完成
                mulu_dict['flag'][chap_id] = '1'
        print('关闭浏览器驱动')
        close_driver()
        # 关闭文件
        fo.close()
        print("循环爬取明细章节内容,写入文件完成")
        # 转换为json字符串
        json_str = json.dumps(mulu_dict)
        # 再次写入json文件,保存更新处理完标志
        with open(json_name, 'w', encoding="utf-8") as json_file:
            json_file.write(json_str)
        print("再次写入json文件,保存更新处理完标志")
        # 返回容器
        return [1, '000000', '爬取小说内容成功', [None]]

    except Exception as e:
        print('关闭浏览器驱动')
        close_driver()
        # 关闭文件
        fo.close()
        # 转换为json字符串
        json_str = json.dumps(mulu_dict)
        # 再次写入json文件,保存更新处理完标志
        with open(json_name, 'w', encoding="utf-8") as json_file:
            json_file.write(json_str)
        print("再次写入json文件,保存更新处理完标志")
        print("爬取小说内容异常," + str(e))
        return [0, '999999', "爬取小说内容异常," + str(e), [None]]

第三步:运行效果

selenium自动化测试+OCR-获取图片页面小说_第1张图片

selenium自动化测试+OCR-获取图片页面小说_第2张图片

selenium自动化测试+OCR-获取图片页面小说_第3张图片

第四步:总结

目前很多网站都有基本的反爬策略,常见就是验证码、JS参数加密这两种。
爬虫本身会对网站增加一定的压力,所以也应该合理设定爬取速率,尽量避免对目标网站造成麻烦,影响网站正常使用,一定注意自己爬虫的姿势。

敬畏法律,遵纪守法,从我做起。

selenium自动化测试+OCR-获取图片页面小说_第4张图片

 最后说明:上述文章仅供学习参考,请勿用于商业用途,感谢阅读。

你可能感兴趣的:(Python,selenium,ocr,python)