Python爬虫实战之bilibili

Python爬虫实战之bilibili

声明：以下内容均为我个人的理解，如果发现错误或者疑问可以联系我共同探讨

爬虫介绍

网站介绍

本次要爬取的网站为bilibili，它是国内知名的视频弹幕网站,这里有及时的动漫新番,活跃的ACG氛围,有创意的Up主。可以在这里找到许多欢乐。

编写爬虫的原因和用途

bilibili已经从原来的小破站变成了现在现象级的多元化的社区网站，本次爬取它的目的是以它作为一个典型，告诉大家遇到各类型验证码的一种思路。

其实这类网站有个最简单的办法，就是提前登陆手动获取到cookie，然后根据cookie去请求我们需要爬取的网站。个人目的的爬虫可以用这类方法，比较省编写代码的时间。但是公司中可能会遇到众多账户的爬虫需求，一个一个手动登录去获取cookie就比较麻烦了，这时候使用Selenium自动化去获取效率就高很多了。

Selenium

简介

正如他们官方的介绍Selenium automates browsers. That's it!，他是一个自动化的浏览器，可以模拟人的操作。

使用教程

推荐通过Selenium中文网学习，非常全面！

验证码分析

滑动验证码

哔哩哔哩从之前的验证码是滑动验证码，主要思路就是找到缺口确定缺口的坐标，然后通过Selenium操作滑动到指定位置就行。类似的还有阿里系的大部分网页，比如飞猪、淘宝、天猫等，不过阿里系的不是每次都需要验证，得根据实际情况操作。

这种就是找到最右边的位置信息，然后滑动即可

这种需要先找到整个图片的位置，然后滑动先找到内容的轮廓在进行滑动，都是同一个思路演变的

看图填答案系列

包括东方财富网上交易、bigquant等等，这类比较简单。将其下载下来根据验证码的情况进行处理然后交给各大云服务商的ORC服务识别就可以，都有免费试用的额度，根据自己的需求和喜好选择，也可以多试几家进行对比。

百度、腾讯、阿里、有道智云

根据图片进行操作点击系列

目前多了很多这种验证码，这种的难度在于情况变化比较多，不仅限于汉字和数字，还有可能是图片等等，这时候自己想办法也能解决，但是策略一改变就比较麻烦，可以借助各类打码的平台，对内容进行识别，然后再根据内容去进行操作

易云打码、快识别网址、斐斐打码等等

bilibili登陆分析

bilibili的最新的验证码属于第三种，在点击登陆按钮就会出现一个验证码的框,我们需要将这个图片下载下来给打码平台去识别，获得坐标信息然后再用Selenium进行点击操作

​ bilibili验证码

编写代码

Selenium模拟登陆

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()
        # 设置无窗口模式
        # chrome_options.add_argument('--headless')
        self.driver = webdriver.Chrome('./chromedriver', options=chrome_options)

    def login(self, username, password):
        # 开登陆页面
        self.driver.get("https://passport.bilibili.com/login")
        # 输入用户名和密码
        self.driver.find_element_by_id('login-username').send_keys(username)
        self.driver.find_element_by_id('login-passwd').send_keys(password)
        # 点击登陆按钮
        self.driver.find_element_by_class_name('btn-login').click()
        # 等待验证码出现
        # self.driver.implicitly_wait(10)
        time.sleep(5)
        # 获取图片所在属性
        img_style = self.driver.find_element_by_class_name('geetest_tip_img').get_attribute('style')
        # 通过正则表达式获得图片url
        url = re.findall('url\("(.*?)"\)', img_style)[0]
        # 通过requests发送请求得到图片
        response = requests.get(url).content
        # 将图片保存在本地
        with open('./captcha.png', 'wb') as f:
            f.write(response)
        # 通过打码平台进行打码识别
        result = self.captcha_recognition()
        # 识别成功
        if result != "":
            # 对识别到的坐标进行分组处理
            result_list = result.split('|')
            for result in result_list:
                x = result.split(',')[0]
                y = result.split(',')[1]
                # 根据坐标执行整个动作链
                ActionChains(self.driver).move_to_element_with_offset(img_style, int(x), int(y)).click().perform()
            # 点击确定按钮
            self.driver.find_element_by_class_name('geetest_commit').click()
            # 获得登陆后的cookie
            cookie = [item["name"] + "=" + item["value"] for item in self.driver.get_cookies()]
            self.driver.close()
            return cookie

    def captcha_recognition(self):
        """验证码识别"""
        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 ""