JAVA爬虫抓取百度指数思路总结

 做了一个多月的JAVA爬虫爬取百度指数的项目，发现出现了很多问题，总结如下：

抓取百度指数的整体思路：

 

1、首先得模拟登陆百度账号（用selenium+PhantomJS模拟登陆百度，获取cookie） 

2、由于有该死的验证码，因此我们要绕过验证码，保存cookie模拟登陆（绕过万恶的验证码） 

3、然后模拟登陆以后，程序截取屏幕保存到本地图片。（屏幕截屏） 

4、读取本地图片。（读取图片） 

5、找到搜索指数所在区域，裁剪图片。（裁剪图片） 

6、下面就是进行图像识别，或者说验证码识别了。（去灰度化，二值化，图像识别）

 

问题一：百度指数具体的数字竟然是图片！！！每一个数字竟然都是一个图片！显然，常规的思路已经无法驾驭百度指数了

解决思路： 采用Python的图像识别包来识别并爬取百度指数