百度指数抓取,再用图像识别得到指数

前言:

安装的库很多:

图像识别验证码请参考我的博客:

selenium用法请参考我的博客:

进入百度指数需要登陆,登陆的账号密码写在文本account里面:

万能登陆代码如下:

# 打开浏览器
def openbrowser():
 global browser
 # https://passport.baidu.com/v2/?login
 url = "https://passport.baidu.com/v2/?login&tpl=mn&u=http%3A%2F%2Fwww.baidu.com%2F"
 # 打开谷歌浏览器
 # Firefox()
 # Chrome()
 browser = webdriver.Chrome()
 # 输入网址
 browser.get(url)
 # 打开浏览器时间
 # print("等待10秒打开浏览器...")
 # time.sleep(10)
 # 找到id="TANGRAM__PSP_3__userName"的对话框
 # 清空输入框
 browser.find_element_by_id("TANGRAM__PSP_3__userName").clear()
 browser.find_element_by_id("TANGRAM__PSP_3__password").clear()
 # 输入账号密码
 # 输入账号密码
 account = []
 try:
 fileaccount = open("../baidu/account.txt")
 accounts = fileaccount.readlines()
 for acc in accounts:
 account.append(acc.strip())
 fileaccount.close()
 except Exception as err:
 print(err)
 input("请正确在account.txt里面写入账号密码")
 exit()
 browser.find_element_by_id("TANGRAM__PSP_3__userName").send_keys(account[0])
 browser.find_element_by_id("TANGRAM__PSP_3__password").send_keys(account[1])
 # 点击登陆登陆
 # id="TANGRAM__PSP_3__submit"
 browser.find_element_by_id("TANGRAM__PSP_3__submit").click()
 # 等待登陆10秒
 # print('等待登陆10秒...')
 # time.sleep(10)
 print("等待网址加载完毕...")
 select = input("请观察浏览器网站是否已经登陆(y/n):")
 while 1:
 if select == "y" or select == "Y":
 print("登陆成功!")
 print("准备打开新的窗口...")
 # time.sleep(1)
 # browser.quit()
 break
 elif select == "n" or select == "N":
 selectno = input("账号密码错误请按0,验证码出现请按1...")
 # 账号密码错误则重新输入
 if selectno == "0":
 # 找到id="TANGRAM__PSP_3__userName"的对话框
 # 清空输入框
 browser.find_element_by_id("TANGRAM__PSP_3__userName").clear()
 browser.find_element_by_id("TANGRAM__PSP_3__password").clear()
 # 输入账号密码
 account = []
 try:
 fileaccount = open("../baidu/account.txt")
 accounts = fileaccount.readlines()
 for acc in accounts:
 account.append(acc.strip())
 fileaccount.close()
 except Exception as err:
 print(err)
 input("请正确在account.txt里面写入账号密码")
 exit()
 browser.find_element_by_id("TANGRAM__PSP_3__userName").send_keys(account[0])
 browser.find_element_by_id("TANGRAM__PSP_3__password").send_keys(account[1])
 # 点击登陆sign in
 # id="TANGRAM__PSP_3__submit"
 browser.find_element_by_id("TANGRAM__PSP_3__submit").click()
 elif selectno == "1":
 # 验证码的id为id="ap_captcha_guess"的对话框
 input("请在浏览器中输入验证码并登陆...")
 select = input("请观察浏览器网站是否已经登陆(y/n):")
 else:
 print("请输入"y"或者"n"!")
 select = input("请观察浏览器网站是否已经登陆(y/n):")

登陆的页面:

登陆过后需要打开新的窗口,也就是打开百度指数,并且切换窗口,在selenium用:

# 新开一个窗口,通过执行js来新开一个窗口
js = 'window.open("http://index.baidu.com");'
browser.execute_script(js)
# 新窗口句柄切换,进入百度指数
# 获得当前打开所有窗口的句柄handles
# handles为一个数组
handles = browser.window_handles
# print(handles)
# 切换到当前最新打开的窗口
browser.switch_to_window(handles[-1])
 

清空输入框,构造点击天数:

# 清空输入框
browser.find_element_by_id("schword").clear()
# 写入需要搜索的百度指数
browser.find_element_by_id("schword").send_keys(keyword)
# 点击搜索
# <input type="submit" value="" id="searchWords" onclick="searchDemoWords()">
browser.find_element_by_id("searchWords").click()
time.sleep(2)
# 最大化窗口
browser.maximize_window()
# 构造天数
sel = int(input("查询7天请按0,30天请按1,90天请按2,半年请按3:"))
day = 0
if sel == 0:
 day = 7
elif sel == 1:
 day = 30
elif sel == 2:
 day = 90
elif sel == 3:
 day = 180
sel = '//a[@rel="' + str(day) + '"]'
browser.find_element_by_xpath(sel).click()
# 太快了
time.sleep(2)

天数也就是这里:

找到图形框:

xoyelement = browser.find_elements_by_css_selector("#trend rect")[2]

图形框就是:

根据坐标点的不同构造偏移量:

选取7天的坐标来观察:

用selenium库来模拟鼠标滑动悬浮:

from selenium.webdriver.common.action_chains import ActionChains
ActionChains(browser).move_to_element_with_offset(xoyelement,x_0,y_0).perform()

但是这样子确定的点指出是在这个位置:

x_0 = 1
y_0 = 0

写个按照天数的循环,让横坐标累加:

# 按照选择的天数循环
for i in range(day):
 # 构造规则
 if day == 7:
 x_0 = x_0 + 202.33
 elif day == 30:
 x_0 = x_0 + 41.68
 elif day == 90:
 x_0 = x_0 + 13.64
 elif day == 180:
 x_0 = x_0 + 6.78

鼠标横移时会弹出框,在网址里面找到这个框:

selenium自动识别之...:

# <div class="imgtxt" style="margin-left:-117px;"></div>
imgelement = browser.find_element_by_xpath('//div[@id="viewbox"]')

并且确定这个框的大小位置:

# 找到图片坐标
locations = imgelement.location
print(locations)
# 找到图片大小
sizes = imgelement.size
print(sizes)
# 构造指数的位置
rangle = (int(locations['x']), int(locations['y']), int(locations['x'] + sizes['width']),
 int(locations['y'] + sizes['height']))

下面的思路就是:

但是最后裁剪出来的是上面的那个黑框,我想要的效果是:

所以要对rangle进行计算,但是我懒,忽略了搜索词的长度,直接暴力的写成:

# 构造指数的位置
rangle = (int(locations['x'] + sizes['width']/3), int(locations['y'] + sizes['height']/2), int(locations['x'] + sizes['width']*2/3),
 int(locations['y'] + sizes['height']))

这个写法最终不太好,最起码要对keyword的长度进行判断,长度过长会导致截图坐标出现偏差,这里实现的逻辑不难,读者自己捣鼓!

后面的完整代码是:

# <div class="imgtxt" style="margin-left:-117px;"></div>
imgelement = browser.find_element_by_xpath('//div[@id="viewbox"]')
# 找到图片坐标
locations = imgelement.location
print(locations)
# 找到图片大小
sizes = imgelement.size
print(sizes)
# 构造指数的位置
rangle = (int(locations['x'] + sizes['width']/3), int(locations['y'] + sizes['height']/2), int(locations['x'] + sizes['width']*2/3),
 int(locations['y'] + sizes['height']))
# 截取当前浏览器
path = "../baidu/" + str(num)
browser.save_screenshot(str(path) + ".png")
# 打开截图切割
img = Image.open(str(path) + ".png")
jpg = img.crop(rangle)
jpg.save(str(path) + ".jpg")

但是后面发现裁剪的图片太小,识别精度太低,所以需要对图片进行扩大:

# 将图片放大一倍
# 原图大小73.29
jpgzoom = Image.open(str(path) + ".jpg")
(x, y) = jpgzoom.size
x_s = 146
y_s = 58
out = jpgzoom.resize((x_s, y_s), Image.ANTIALIAS)
out.save(path + 'zoom.jpg', 'png', quality=95)

最后就是图像识别

# 图像识别
index = []
image = Image.open(str(path) + "zoom.jpg")
code = pytesseract.image_to_string(image)
if code:
 index.append(code)

最后效果图:

详细解说请观看我的博客: