前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >python模拟用户登录爬取阳光采购平台

python模拟用户登录爬取阳光采购平台

作者头像
py3study
发布2020-01-15 17:04:30
7820
发布2020-01-15 17:04:30
举报
文章被收录于专栏:python3python3

原创内容,爬取请指明出处:https://www.cnblogs.com/Lucy151213/p/10968868.html

阳光采购平台每月初会把当月的价格挂到平台上,现模拟用户登录平台,将需要的数据保存到csv文件和数据库,并且发送给指定人员。Python初学者,遇见很多坑,这里记录一下。

环境

Python2.7

开发工具

PyCharm

运行环境

Centos7

运行说明

设置定时任务每月1号凌晨1点执行这个python代码

实现功能

根据账号密码及解析处理的验证码自动登录系统,解析需要的数据,并保存在csv文件和mysql数据库中,爬取完成后将csv文件发给指定的人。支持请求断开后自动重连。

开发环境搭建:

网上教程一大堆,不赘述了。安装好后需要安装一些必须的库,如下:

bs4(页面html解析)

csv(用于保存csv文件)

smtplib(用于发送邮件)

mysql.connector(用于连接数据库)

部分需要下载的内容我放在网盘共享,包括leptonica-1.72.tar.gz,Tesseract3.04.00.tar.gz,以及语言包:

链接:https://pan.baidu.com/s/1J4SZDgmn6DpuQ1EHxE6zkw 提取码:crbl

图像识别:

网上也有很多教程,整理了一版在centos7上能正常安装图像识别库的操作步骤。

  • 因为是下载源码编译安装,所有需要安装响应的编译工具:

yum install gcc gcc-c++ make

yum install autoconf automake libtool

  • 安装对图片识别相关支持工具,没有这些在后续执行Tesseract命令时会报错:

yum install libjpeg-devel libpng-devel libtiff-devel zlib-devel

  • 安装leptonica,首先去leptonica下载,下载后放到服务器解压并编译,leptonica是一个tesseract必须的工具:

下载地址:http://www.leptonica.org/

#到leptonica的目录执行

./configure

make

make install

  • 下载对应的Tesseract

下载地址:https://link.jianshu.com/?t=https://github.com/tesseract-ocr/tesseract/wiki/Downloads

#到tesseract-3.04.00目录执行

./autogen.sh

./configure

make

make install

ldconfig

  • 下载语言包

下载地址:https://github.com/tesseract-ocr/tessdata

下载后的文件放在目录tessdata下面

  • 环境配置

拷贝tessdata:cp tessdata /usr/local/share –R

修改环境变量:

打开配置文件:vi /etc/profile

添加一行:export TESSDATA_PREFIX=/usr/local/share/tessdata

生效:source /etc/profile

  • 测试

tesseract –v 查看tesseract的版本相关信息。如果没有报错,那么表示安装成功了。

放入找到一张图片image.png,然后执行:tesseract image.png 123

当前目录下会生成123.txt文件,这个文件就记录了识别的文字。

  • 安装库pytesseract

这个库是用于在python代码里面调用tesseract

命令:pip install pytesseract

测试代码如下:

代码语言:javascript
复制
1 import pytesseract
2 from PIL import Image
3  
4 im1=Image.open('image.png')
5 print(pytesseract.image_to_string(im1))

代码:

我要获取的数据长相如下:

首先获取一共有多少页,循环访问每一页,将每一页数据保存到csv和数据库里面,如果在访问某页的时候抛出异常,那么记录当前broken页数,重新登录,从broken那页继续爬取数据。

写了一个gl.py,用于保存全局变量:

代码语言:javascript
复制
 1 #!/usr/bin/python
 2 # -*- coding: utf-8 -*-
 3 #coding=utf-8
 4 import time
 5 
 6 timeStr = time.strftime('%Y%m%d', time.localtime(time.time()))
 7 monthStr = time.strftime('%m', time.localtime(time.time()))
 8 yearStr = time.strftime('%Y', time.localtime(time.time()))
 9 LOG_FILE = "log/" + timeStr + '.log'
10 csvFileName = "csv/" + timeStr + ".csv"
11 fileName = timeStr + ".csv"
12 fmt = '%(asctime)s - %(filename)s:%(lineno)s  - %(message)s'
13 loginUrl = "http://yourpath/Login.aspx"
14 productUrl = 'http://yourpath/aaa.aspx'
15 username = 'aaaa'
16 password = "aaa"
17 preCodeurl = "yourpath"
18 host="yourip"
19 user="aaa"
20 passwd="aaa"
21 db="mysql"
22 charset="utf8"
23 postData={
24             '__VIEWSTATE':'',
25             '__EVENTTARGET':'',
26             '__EVENTARGUMENT':'',
27             'btnLogin':"登录",
28             'txtUserId':'aaaa',
29             'txtUserPwd':'aaa',
30             'txtCode':'',
31             'hfip':'yourip'
32             }
33 tdd={
34 '__VIEWSTATE':'',
35 '__EVENTTARGET':'ctl00$ContentPlaceHolder1$AspNetPager1',
36 'ctl00$ContentPlaceHolder1$AspNetPager1_input':'1',
37 'ctl00$ContentPlaceHolder1$AspNetPager1_pagesize':'50',
38 'ctl00$ContentPlaceHolder1$txtYear':'',
39 'ctl00$ContentPlaceHolder1$txtMonth':'',
40 '__EVENTARGUMENT':'',
41 }
42 vs={
43 '__VIEWSTATE':''
44 }

主代码中设置日志,csv,数据库连接,cookie:

代码语言:javascript
复制
 1 handler = logging.handlers.RotatingFileHandler(gl.LOG_FILE, maxBytes=1024 * 1024, backupCount=5)
 2     formatter = logging.Formatter(gl.fmt)
 3     handler.setFormatter(formatter)
 4     logger = logging.getLogger('tst')
 5     logger.addHandler(handler)
 6     logger.setLevel(logging.DEBUG)
 7     csvFile = codecs.open(gl.csvFileName, 'w+', 'utf_8_sig')
 8     writer = csv.writer(csvFile)
 9     conn = mysql.connector.connect(host=gl.host, user=gl.user, passwd=gl.passwd, db=gl.db, charset=gl.charset)
10     cursor = conn.cursor()
11 
12     cookiejar = cookielib.MozillaCookieJar()
13     cookieSupport = urllib2.HTTPCookieProcessor(cookiejar)
14     httpsHandLer = urllib2.HTTPSHandler(debuglevel=0)
15     opener = urllib2.build_opener(cookieSupport, httpsHandLer)
16     opener.addheaders = [('User-Agent','Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11')]
17     urllib2.install_opener(opener)

登录方法:

首先是识别验证码,转为数字。然后用(密码+用户名+验证)提交到登录方法,可能会失败,因为识别验证码有时候识别的不正确。如果登录失败,那么重新获取验证码,再次识别,再次登录,直到登录成功。

代码语言:javascript
复制
 1 def get_logined_Data(opener,logger,views):
 2     print "get_logined_Data"
 3     indexCount = 1
 4     retData = None
 5     while indexCount <= 15:
 6         print "begin login ", str(indexCount), " time"
 7         logger.info("begin login " + str(indexCount) + " time")
 8         vrifycodeUrl = gl.preCodeurl + str(random.random())
 9         text = get_image(vrifycodeUrl)#封装一个方法,传入验证码URL,返回识别出的数字
10         postData = gl.postData
11         postData["txtCode"] = text
12         postData["__VIEWSTATE"]=views
13 
14 
15         data = urllib.urlencode(postData)
16         try:
17             headers22 = {
18                 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3',
19                 'Accept-Encoding': 'gzip, deflate, br',
20                 'Accept-Language': 'zh-CN,zh;q=0.9',
21                 'Connection': 'keep-alive',
22                 'Content-Type': 'application/x-www-form-urlencoded',
23                 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'
24             }
25             request = urllib2.Request(gl.loginUrl, data, headers22)
26             opener.open(request)
27         except Exception as e:
28             print "catch Exception when login"
29             print e
30 
31         request = urllib2.Request(gl.productUrl)
32         response = opener.open(request)
33         dataPage = response.read().decode('utf-8')
34 
35         bsObj = BeautifulSoup(dataPage,'html.parser')
36         tabcontent = bsObj.find(id="tabcontent") #登录成功后,页面才有tabcontent这个元素,所以更具这个来判断是否登录成功
37         if (tabcontent is not None):
38             print "login succesfully"
39             logger.info("login succesfully")
40             retData = bsObj
41             break
42         else:
43             print "enter failed,try again"
44             logger.info("enter failed,try again")
45             time.sleep(3)
46             indexCount += 1
47     return retData

分析代码发现,每次请求获取数据都需要带上’__VIEWSTATE’这个参数,这个参数是存放在页面,所以需要把‘__VIEWSTATE’提出出来,用于访问下一页的时候带到参数里面去。

验证码解析:

通过验证码的url地址,将验证码保存到本地,因为验证码是彩色的,所有需要先把验证码置灰,然后再调用图像识别转为数字。这个验证码为4位数字,但是调用图像识别的时候,可能会转成字母,所有手动将字母转为数字,转换后识别率还能接受。

代码语言:javascript
复制
 1 #获取验证码对应的数字,返回为4个数字才为有效
 2 def get_image(codeurl):
 3     print(time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(time.time())) + " begin get code num")
 4     index = 1
 5     while index<=15:
 6         file = urllib2.urlopen(codeurl).read()
 7         im = cStringIO.StringIO(file)
 8         img = Image.open(im)
 9         imgName = "vrifycode/" + gl.timeStr + "_" + str(index) + ".png"
10         print 'begin get vrifycode'
11         text = convert_image(img, imgName)
12         print "vrifycode", index, ":", text
13         # logger.info('vrifycode' + str(index) + ":" + text)
14 
15         if (len(text) != 4 or text.isdigit() == False):  # 如果验证码不是4位那么肯定是错误的。
16             print 'vrifycode:', index, ' is wrong'
17             index += 1
18             time.sleep(2)
19             continue
20         return text
21 
22 #将图片转为数字
23 def convert_image(image,impName):
24     print "enter convert_image"
25     image = image.convert('L')  # 灰度
26     image2 = Image.new('L', image.size, 255)
27     for x in range(image.size[0]):
28         for y in range(image.size[1]):
29             pix = image.getpixel((x, y))
30             if pix < 90:  # 灰度低于120 设置为 0
31                 image2.putpixel((x, y), 0)
32     print "begin save"
33     image2.save(impName)  # 将灰度图存储下来看效果
34     print "begin convert"
35     text = pytesseract.image_to_string(image2)
36     print "end convert"
37     snum = ""
38     for j in text:#进行简单转换
39         if (j == 'Z'):
40             snum += "2"
41         elif (j == 'T'):
42             snum += "7"
43         elif (j == 'b'):
44             snum += "5"
45         elif (j == 's'):
46             snum += "8"
47         elif (j == 'S'):
48             snum += "8"
49         elif (j == 'O'):
50             snum += "0"
51         elif (j == 'o'):
52             snum += "0"
53         else:
54             snum += j
55     return snum

数据转换:

将html数据转换为数组,供保存csv文件和数据库时使用

代码语言:javascript
复制
 1 def paras_data(nameList,logger):
 2     data = []
 3     mainlist = nameList
 4     rows = mainlist.findAll("tr", {"class": {"row", "alter"}})
 5     try:
 6         if (len(rows) != 0):
 7             for name in rows:
 8                 tds = name.findAll("td")
 9                 if tds == None:
10                     print "get tds is null"
11                     logger.info("get tds is null")
12                 else:
13                     item = []
14                     for index in range(len(tds)):
15                         s_span = (tds[index]).find("span")
16                         if (s_span is not None):
17                             tmp = s_span["title"]
18                         else:
19                             tmp = (tds[index]).get_text()
20                         # tmp=(tds[index]).get_text()
21                         item.append(tmp.encode('utf-8'))  # gb2312  utf-8
22                     item.append(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'))#本条数据获取时间
23                     data.append(tuple(item))
24 
25     except Exception as e:
26         print "catch exception when save csv", e
27         logger.info("catch exception when save csv" + e.message)
28     return data

保存csv文件:

代码语言:javascript
复制
def save_to_csv(data ,writer):
    for d in data:
        if d is not None:
            writer.writerow(d)

保存数据库:

代码语言:javascript
复制
 1 def save_to_mysql(data,conn,cursor):
 2     try:
 3         cursor.executemany(
 4             "INSERT INTO `aaa`(aaa,bbb) VALUES (%s,%s)",
 5             data)
 6         conn.commit()
 7 
 8     except Exception as e:
 9         print "catch exception when save to mysql",e
10     else:
11         pass

保存指定页数据:

代码语言:javascript
复制
 1 def get_appointed_page(snum,opener,vs,logger):
 2     tdd = get_tdd()
 3     tdd["__VIEWSTATE"] = vs['__VIEWSTATE']
 4     tdd["__EVENTARGUMENT"] = snum
 5     tdd=urllib.urlencode(tdd)
 6     # print "tdd",tdd
 7     op = opener.open(gl.productUrl, tdd)
 8     if (op.getcode() != 200):
 9         print("the" + snum + " page ,state not 200,try connect again")
10         return None
11     data = op.read().decode('utf-8', 'ignore')
12     # print "data",data
13     bsObj = BeautifulSoup(data,"lxml")
14     nameList = bsObj.find("table", {"class": "mainlist"})
15     # print "nameList",nameList
16     if len(nameList) == 0:
17         return None
18     viewState = bsObj.find(id="__VIEWSTATE")
19     if viewState is None:
20         logger.info("the other page,no viewstate,try connect again")
21         print("the other page,no viewstate,try connect again")
22         return None
23     vs['__VIEWSTATE'] = viewState["value"]
24     return nameList

Main方法:

代码语言:javascript
复制
 1 while flag == True and logintime <50:
 2             try:
 3                 print "global login the ", str(logintime), " times"
 4                 logger.info("global login the " + str(logintime) + " times")
 5                 bsObj = get_logined_Data(opener, logger,views)
 6                 if bsObj is None:
 7                     print "try login 15 times,but failed,exit"
 8                     logger.info("try login 15 times,but failed,exit")
 9                     exit()
10                 else:
11                     print "global login the ", str(logintime), " times succesfully!"
12                     logger.info("global login the " + str(logintime) + " times succesfully!")
13                     viewState_Source = bsObj.find(id="__VIEWSTATE")
14                     if totalNum == -1:
15                         totalNum = get_totalNum(bsObj)
16                         print "totalNum:",str(totalNum)
17                         logger.info("totalnum:"+str(totalNum))
18                     vs = gl.vs
19                     if viewState_Source != None:
20                         vs['__VIEWSTATE'] = viewState_Source["value"]
21 
22                     # 获取指定snum页的数据
23                     # while snum<=totalNum:
24                     while snum<=totalNum:
25                         print "begin get the ",str(snum)," page"
26                         logger.info("begin get the "+str(snum)+" page")
27                         nameList = get_appointed_page(snum, opener, vs, logger)
28                         if nameList is None:
29                             print "get the nameList failed,connect agian"
30                             logger.info("get the nameList failed,connect agian")
31                             raise Exception
32                         else:
33                             print "get the ", str(snum), " successfully"
34                             logger.info("get the " + str(snum) + " successfully")
35 
36                   
37                             mydata = paras_data(nameList,logger)
38                             #保存CSV文件
39                             save_to_csv(mydata, snum, writer)
40                             #保存到数据库
41                             save_to_mysql(mydata, conn, cursor)
42 
43                             snum+=1
44                             time.sleep(3)
45 
46                 flag = False
47             except Exception as e:
48                 logintime+=1
49                 print "catch exception",e
50                 logger.error("catch exception"+e.message)

定时任务设置:

cd /var/spool/cron/

crontab –e#编辑定时任务

输入:1 1 1 * * /yourpath/normal_script.sh>>/yourpath/cronlog.log  2>&1

(上面定时任务的意思是每月1号1点1分执行文件normal_script.sh,日志存放在cronlog.log)

目录结构:

 源码下载:helloworld.zip

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2019-06-09 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
文件存储
文件存储(Cloud File Storage,CFS)为您提供安全可靠、可扩展的共享文件存储服务。文件存储可与腾讯云服务器、容器服务、批量计算等服务搭配使用,为多个计算节点提供容量和性能可弹性扩展的高性能共享存储。腾讯云文件存储的管理界面简单、易使用,可实现对现有应用的无缝集成;按实际用量付费,为您节约成本,简化 IT 运维工作。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档