百度指數抓取，再用圖像識別得到指數
前言：
土福曾說，百度指數很難抓，在淘寶上面是20塊1個關鍵字：
哥那么叼的人怎么會被他嚇到，於是乎花了零零碎碎加起來大約2天半搞定，在此鄙視一下土福
安裝的庫很多：
谷歌圖像識別tesseract-ocr
pip3 install pillow
pip3 install pyocr
selenium2.45
Chrome47.0.2526.106 m or Firebox32.0.1
chromedriver.exe
圖像識別驗證碼請參考我的博客：
selenium用法請參考我的博客：
進入百度指數需要登陸，登陸的賬號密碼寫在文本account里面：
萬能登陸代碼如下：
# 打開瀏覽器
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"
# 打開谷歌瀏覽器
# Firefox()
# Chrome()
browser = webdriver.Chrome()
# 輸入網址
browser.get(url)
# 打開瀏覽器時間
# print("等待10秒打開瀏覽器...")
# time.sleep(10)
# 找到id="TANGRAM__PSP_3__userName"的對話框
# 清空輸入框
browser.find_element_by_id("TANGRAM__PSP_3__userName").clear()
browser.find_element_by_id("TANGRAM__PSP_3__password").clear()
# 輸入賬號密碼
# 輸入賬號密碼
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("請正確在account.txt里面寫入賬號密碼")
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])
# 點擊登陸登陸
# id="TANGRAM__PSP_3__submit"
browser.find_element_by_id("TANGRAM__PSP_3__submit").click()
# 等待登陸10秒
# print('等待登陸10秒...')
# time.sleep(10)
print("等待網址加載完畢...")
select = input("請觀察瀏覽器網站是否已經登陸(y/n)：")
while 1:
if select == "y" or select == "Y":
print("登陸成功！")
print("准備打開新的窗口...")
# time.sleep(1)
# browser.quit()
break
elif select == "n" or select == "N":
selectno = input("賬號密碼錯誤請按0，驗證碼出現請按1...")
# 賬號密碼錯誤則重新輸入
if selectno == "0":
# 找到id="TANGRAM__PSP_3__userName"的對話框
# 清空輸入框
browser.find_element_by_id("TANGRAM__PSP_3__userName").clear()
browser.find_element_by_id("TANGRAM__PSP_3__password").clear()
# 輸入賬號密碼
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("請正確在account.txt里面寫入賬號密碼")
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])
# 點擊登陸sign in
# id="TANGRAM__PSP_3__submit"
browser.find_element_by_id("TANGRAM__PSP_3__submit").click()
elif selectno == "1":
# 驗證碼的id為id="ap_captcha_guess"的對話框
input("請在瀏覽器中輸入驗證碼並登陸...")
select = input("請觀察瀏覽器網站是否已經登陸(y/n)：")
else:
print("請輸入“y”或者“n”！")
select = input("請觀察瀏覽器網站是否已經登陸(y/n)：")
登陸的頁面：
登陸過后需要打開新的窗口，也就是打開百度指數，並且切換窗口，在selenium用：
# 新開一個窗口，通過執行js來新開一個窗口
js = 'window.open("http://index.baidu.com");'
browser.execute_script(js)
# 新窗口句柄切換，進入百度指數
# 獲得當前打開所有窗口的句柄handles
# handles為一個數組
handles = browser.window_handles
# print(handles)
# 切換到當前最新打開的窗口
browser.switch_to_window(handles[-1])
清空輸入框，構造點擊天數：
# 清空輸入框
browser.find_element_by_id("schword").clear()
# 寫入需要搜索的百度指數
browser.find_element_by_id("schword").send_keys(keyword)
# 點擊搜索
# <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()
# 構造天數
sel = int(input("查詢7天請按0，30天請按1，90天請按2，半年請按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)
天數也就是這里：
找到圖形框：
xoyelement = browser.find_elements_by_css_selector("#trend rect")[2]
圖形框就是：
根據坐標點的不同構造偏移量：
選取7天的坐標來觀察：
第一個點的橫坐標為1031.66666
第二個點的橫坐標為1234
所以7天兩個坐標之間的差為：202.33，其他的天數類似
用selenium庫來模擬鼠標滑動懸浮：
from selenium.webdriver.common.action_chains import ActionChains
ActionChains(browser).move_to_element_with_offset(xoyelement,x_0,y_0).perform()
但是這樣子確定的點指出是在這個位置：
也就是矩形的左上角，這里是不會加載js顯示彈出框的，所以要給橫坐標+1：
x_0 = 1
y_0 = 0
寫個按照天數的循環，讓橫坐標累加：
# 按照選擇的天數循環
for i in range(day):
# 構造規則
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
鼠標橫移時會彈出框，在網址里面找到這個框：
selenium自動識別之...：
# <div class="imgtxt" style="margin-left:-117px;"></div>
imgelement = browser.find_element_by_xpath('//div[@id="viewbox"]')
並且確定這個框的大小位置：
# 找到圖片坐標
locations = imgelement.location
print(locations)
# 找到圖片大小
sizes = imgelement.size
print(sizes)
# 構造指數的位置
rangle = (int(locations['x']), int(locations['y']), int(locations['x'] + sizes['width']),
int(locations['y'] + sizes['height']))
截取的圖形為：
下面的思路就是：
- 將整個屏幕截圖下來
- 打開截圖用上面得到的這個坐標rangle進行裁剪
但是最后裁剪出來的是上面的那個黑框，我想要的效果是：
本次更新加入了對於關鍵詞長度的判斷，能夠自動識別關鍵詞長度而進行截取：
add_length = (len(keyword) - 2) * sizes['width'] / 15
找到位置：
# 構造指數的位置
rangle = (
int(locations['x'] + sizes['width'] / 4 + add_length), int(locations['y'] + sizes['height'] / 2 - 40),
int(locations['x'] + sizes['width'] * 2 / 3), int(locations['y'] + sizes['height'] - 40))
后面的完整代碼是：
# <div class="imgtxt" style="margin-left:-117px;"></div>
imgelement = browser.find_element_by_xpath('//div[@id="viewbox"]')
# 找到圖片坐標
locations = imgelement.location
print(locations)
# 找到圖片大小
sizes = imgelement.size
print(sizes)
# 構造關鍵詞長度
add_length = (len(keyword) - 2) * sizes['width'] / 15
# 構造指數的位置
rangle = (
int(locations['x'] + sizes['width'] / 4 + add_length), int(locations['y'] + sizes['height'] / 2 - 40),
int(locations['x'] + sizes['width'] * 2 / 3), int(locations['y'] + sizes['height'] - 40))
# 截取當前瀏覽器
path = "../baidu/" + str(num)
browser.save_screenshot(str(path) + ".png")
# 打開截圖切割
img = Image.open(str(path) + ".png")
jpg = img.crop(rangle)
jpg.save(str(path) + ".jpg")
但是后面發現裁剪的圖片太小，識別精度太低，所以需要對圖片進行擴大：
# 將圖片放大一倍
# 原圖大小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)
原圖大小請 右鍵->屬性->詳細信息 查看，我的是長73像素，寬29像素
最后就是圖像識別
# 圖像識別
index = []
image = Image.open(str(path) + "zoom.jpg")
code = pytesseract.image_to_string(image)
if code:
index.append(code)
最后效果圖：
