火车票买不到？看我用python监控票源

赵云龙龙

发布于 2019-11-10 16:11:36

6250

发布于 2019-11-10 16:11:36

文章被收录于专栏：python爱好部落python爱好部落

同时说最近火车票难买，我就帮他用个脚本监控一下。

最近高铁票比较难买，还有什么候补。要不停的刷，才有时候可以捡漏。有时候明明候补了，到快开车告诉你余票不足，候补失败。

凡事预则立，我打算写个脚本提前两个星期就监控起来，这样就可以提高买到票的几率了。

先是考虑用接口，发现行不通，手动打开页面都OK，就是接口调不到数据。只好曲线救国，用selenium打开页面，用BeautifulSoup来获取页面内容。发现打开页面后，可以直接用数据清洗。大概的代码是这样的：

import time
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.select import Select
from selenium.webdriver.support.wait import WebDriverWait
from bs4 import BeautifulSoup
import pandas
import arrow

Max_Time_Out = 30
Time_Out = 10
sh_to_sz = "18002400"
sz_to_sh = "06001200"
sh_to_sz_train = "G7026|G7260|G7062|G7226|G7028"
sh_station = 'cc_from_station_上海_check'
sz_to_sh_train = "D3125|G7001|G7037|G7039"
sz_station = 'cc_from_station_苏州_check'

time_id = "cc_start_time"
now = arrow.now().format('YYYY-MM-DD HH:MM:SS')

option = webdriver.ChromeOptions()

option.add_argument('disable-infobars')
# option.binary_location="/Applications/AppleTools /Google Chrome.app/Contents/MacOS/Google Chrome"
option.add_argument('headless')

sh_to_sz_url = "https://kyfw.12306.cn/otn/leftTicket/init?linktypeid=dc&fs=%E4%B8%8A%E6%B5%B7,SHH&ts=%E8%8B%8F%E5%B7%9E,SZH&date={}&flag=N,N,Y"
sz_to_sh_url = "https://kyfw.12306.cn/otn/leftTicket/init?linktypeid=dc&fs=%E8%8B%8F%E5%B7%9E,SZH&ts=%E4%B8%8A%E6%B5%B7,SHH&date={}&flag=N,N,Y"

driver = webdriver.Chrome(chrome_options=option)

driver.set_page_load_timeout(Max_Time_Out)


def open_page(url):
    try:
        driver.get(url)
    except TimeoutError:
        print("cannot open the page for {} seconds".format(Max_Time_Out))
        driver.execute_script('window.stop()')


def find_element(obj):
    WebDriverWait(driver, Time_Out).until(EC.visibility_of_element_located((By.ID, obj)))
    element = WebDriverWait(driver, Time_Out).until(lambda x: driver.find_element(By.ID, obj))
    return element


def type(obj, value):
    find_element(obj).clear()
    find_element(obj).send_keys(value)


def clickat(obj):
    WebDriverWait(driver, Time_Out).until(EC.element_to_be_clickable((By.ID, obj)))
    find_element(obj).click()


def toggle_checkbox(station_id):
    inputs = driver.find_elements_by_tag_name("input")
    for input in inputs:
        if input.get_attribute("value") == 'G':
            input.click()
        if input.get_attribute("value") == 'D':
            input.click()
        if input.get_attribute("id") == station_id:
            input.click()


def get_today():
    today = arrow.now()
    if today.weekday() not in [5, 6]:
        return today.format('YYYY-MM-DD')


def get_next_day():
    next_day = arrow.now().shift(days=+1)
    if next_day.weekday() not in [5, 6]:
        return next_day.format('YYYY-MM-DD')


def get_next_two_monday():
    next_two_monday = [arrow.now().shift(days=x).format('YYYY-MM-DD') for x in range(1, 15) if
                       arrow.now().shift(days=x).weekday() == 0]
    return next_two_monday


def get_next_two_friday():
    next_two_friady = [arrow.now().shift(days=x).format('YYYY-MM-DD') for x in range(1, 15) if
                       arrow.now().shift(days=x).weekday() == 4]
    return next_two_friady


def select_time(obj, time_zone, station_id):
    '''

    :param driver:
    :param obj:
    :return:

    <select class="select-small" id="cc_start_time">
    <option value="00002400">00:00--24:00</option>
<option value="00000600">00:00--06:00</option>
<option value="06001200">06:00--12:00</option>
<option value="12001800">12:00--18:00</option>
<option value="18002400">18:00--24:00</option>
</select>
    '''

    start_time = find_element(obj)
    get_start = Select(start_time)
    get_start.select_by_value(time_zone)
    toggle_checkbox(station_id)
    time.sleep(3)


def get_trains(url, city_time, station_id, trains):
    open_page(url)
    select_time(time_id, city_time, station_id)
    ht = driver.page_source
    html_pd = pandas.read_html(ht)

    pd = html_pd[1]

    pd3 = pd[pd['车次'].str.contains(trains, na=False)]

    coloum_list = ["车次", "二等座", "无座"]
    # print(pd3[coloum_list])

    return pd3[coloum_list]
    
  if __name__ == "__main__":
    today = get_today()
    next_day = get_next_day()
    mondays = get_next_two_monday()
    fridays = get_next_two_friday()

    df_list = []
    #
    next_suzhou_to_shanghai = get_trains(sz_to_sh_url.format(next_day), sz_to_sh, sz_station, sz_to_sh_train)
    df_list.append(next_suzhou_to_shanghai)
    today_shanghai_to_suzhou = get_trains(sh_to_sz_url.format(today), sh_to_sz, sh_station, sh_to_sz_train)
    df_list.append(today_shanghai_to_suzhou)

    suzhou_to_shanghai_next_monday = get_trains(sz_to_sh_url.format(mondays[0]), sz_to_sh, sz_station, sz_to_sh_train)
    df_list.append(suzhou_to_shanghai_next_monday)

    suzhou_to_shanghai_next_next_monday = get_trains(sz_to_sh_url.format(mondays[1]), sz_to_sh, sz_station,
                                                     sz_to_sh_train)
    df_list.append(suzhou_to_shanghai_next_next_monday)
    #

    shanghai_to_suzhou_next_friday = get_trains(sh_to_sz_url.format(fridays[0]), sh_to_sz, sh_station, sh_to_sz_train)
    df_list.append(shanghai_to_suzhou_next_friday)

    shanghai_to_suzhou_next_next_friday = get_trains(sh_to_sz_url.format(fridays[1]), sh_to_sz, sh_station,
                                                     sh_to_sz_train)
    df_list.append(shanghai_to_suzhou_next_next_friday)

    driver.quit()

把自己需要乘坐的车次，日期给设定好，当然我这边主要是要算周五跟周一，监控了两个星期的这两天。设置好定时，给自己发邮件。

然后发邮件，大概样子是这样的：

这样上班的时候，就收到邮件，就可以择机买票了。

现在来聊聊，处理web页面，可能用到哪些库。

python对web的操作常用到的库：请求库，解析库，存储库，工具库

1. 请求库

urllib/re是python默认自带的库

Python内置的Http请求库
urllib.request 请求模块  　　模拟浏览器
urllib.error 异常处理模块
urllib.parse url解析模块  　　工具模块，如：拆分、合并
urllib.robotparser robots.txt    解析模块

例子：

超时测试
　　import urllib.request
　　response =urllib.request.urlopen('http://httpbin.org/get',timeout=1)
　　print(response.read())
　　-----正常
　　import socket
　　import urllib.reqeust
　　import urllib.error
　　try:
　　　　response=urllib.request.urlopen('http://httpbin.org/get',timeout=0.1)
　　except urllib.error.URLError as e:
　　　　if isinstance(e.reason,socket.timeout):
　　　　　　print('TIME OUT')
　　这是就是输出 TIME OUT

Request 可以添加headers

 　　import urllib.request
　　request=urllib.request.Request('https://python.org')
　　response=urllib.request.urlopen(request)
　　print(response.read().decode('utf-8'))

例子：

　　from urllib import request,parse
　　url='http://httpbin.org/post'
　　headers={
　　　　User-Agent:Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.75 Safari/537.36　　　　Host:httpbin.org　　}
　　dict={
　　　　'name':'Germey'
　　}


　　data=bytes(parse.urlencode(dict),encoding='utf8')
　　req= request.Request(url=url,data=data,headers=headers,method='POST')
　　response = request.urlopen(req)
　　print(response.read().decode('utf-8'))

代理

 　　import urllib.request
　　proxy_handler =urllib.request.ProxyHandler({
　　　　'http':'http://127.0.0.1:9743',
　　　　'https':'http://127.0.0.1:9743',
　　})
　　opener =urllib.request.build_opener(proxy_handler)
 　　response= opener.open('http://httpbin.org/get')
　　print(response.read())

 　　import http.cookiejar,urllib.request
　　cookie = http.cookiejar.Cookiejar()
　　handler=urllib.request.HTTPCookieProcessor(cookie)
　　opener = urllib.request.build_opener(handler)
　　response = opener.open('http://www.baidu.com')
　　for item in cookie:
　　　　print(item.name+"="+item.value)

第一种保存cookie方式

　　import http.cookiejar,urllib.request
　　filename = 'cookie.txt'　　
　　cookie =http.cookiejar.MozillaCookieJar(filename)
　　handler= urllib.request.HTTPCookieProcessor(cookie)
　　opener=urllib.request.build_opener(handler)
　　response= opener.open('http://www.baidu.com')
　　cookie.save(ignore_discard=True,ignore_expires=True)

(2) requests

pip3 install requests

(3) selenium

pip3 install selenium

2. 解析库：

2.1 lxml (XPATH)

pip3 install lxml

test, test.html指上述实例

直接读取内容

from lxml import etree
html = etree.HTML(test)

直接读取文件

from lxml import etree
html = etree.parse(test.html)

2.2 beautifulsoup

pip3 install beautifulsoup4

验证

from bs4 import Beautiful
Soupsoup = BeautifulSoup('<html></html>','lxml')

2.3 pyquery（类似jquery语法）

pip3 install pyquery

注意：由于 pyquery 依赖于 lxml ，要先安装 lxml ，否则会提示失败。验证安装结果

from pyquery import PyQuery as pq
doc = pq('<html>hi</html>')
result = doc('html').text()

有 4 种方法可以进行初始化：可以通过传入字符串、lxml、文件或者 url 来使用PyQuery。

from pyquery import PyQuery as pq
from lxml import etree

d = pq("<html></html>")#传入字符串
d = pq(etree.fromstring("<html></html>"))#传入lxml
d = pq(url=‘http://google.com/‘) #传入url
d = pq(filename=path_to_html_file) #传入文件

1、.html() 和.text()：获取相应的 HTML 块或者文本内容，

p=pq("<head><title>Hello World!</title></head>")
print p(‘head‘).html()# 获取相应的 HTML 块
print p(‘head‘).text()# 获取相应的文本内容

输出：

<title>hello</title>Hello World!

2、.(‘selector‘)：通过选择器来获取目标内容，

d = pq("<div><p id=‘item-0‘>test 1</p><p class=‘item-1‘>test 2</p></div>")

print d(‘div‘).html()# 获取 <div> 元素内的 HTML 块
print d(‘#item-0‘).text()# 获取 id 为 item-0 的元素内的文本内容
print d(‘.item-1‘).text()# 获取 class 为 item-1 的元素的文本内容

输出：

<p id="item-0">test 1</p><p class="item-1">test 2</p>
test 1
test 2

3、.eq(index)：根据索引号获取指定元素（index 从 0 开始），

d = pq("<div><p id=‘item-0‘>test 1</p><p class=‘item-1‘>test 2</p></div>")
print d(‘p‘).eq(1).text()# 获取第二个 p 元素的文本内容，

输出 test 2

4、.find()：查找嵌套元素，

d = pq("<div><p id=‘item-0‘>test 1</p><p class=‘item-1‘>test 2</p></div>")
print d(‘div‘).find(‘p‘) # 查找 <div> 内的 p 元素
print d(‘div‘).find(‘p‘).eq(0) # 查找 <div> 内的 p 元素，输出第一个 p 元素

输出：

<p id="item-0">test 1</p><p class="item-1">test 2</p><p id="item-0">test 1</p>

5、.filter()：根据 class、id 筛选指定元素，

d = pq("<div><p id=‘item-0‘>test 1</p><p class=‘item-1‘>test 2</p></div>")
print d(‘p‘).filter(‘.item-1‘) # 查找 class 为 item-1 的 p 元素
print d(‘p‘).filter(‘#item-0‘) # 查找 id 为 item-0 的 p 元素

输出：

<p class="item-1">test 2</p>
<p id="item-0">test 1</p>

6、.attr()：获取、修改属性值，

d = pq("<div><p id=‘item-0‘>test 1</p><a class=‘item-1‘>test 2</p></div>")
print d(‘p‘).attr(‘id‘) # 获取 <p> 标签的属性 id
print d(‘a‘).attr(‘class‘,‘new‘)# 修改 <a> 标签的 class 属性为 new

输出：

item-0
<a class="new">test 2</a>

7、其他操作：

.addClass(value)：添加 class；
.hasClass(name)：判断是否包含指定的 class，返回 True 或 False；
.children()：获取子元素；
.parents()：获取父元素；
.next()：获取下一个元素；
.nextAll()：获取后面全部元素块；
.not_(‘selector‘)：获取所有不匹配该选择器的元素；
for i in d.items(‘li‘): print i.text()：遍历 d 中的 li 元素；