with open(‘stealth.min.js’) as f:
js = f.read()
browser.execute_cdp_cmd(‘Page.addScriptToEvaluateOnNewDocument’, {
‘source’: js
})
url = ‘http://hotels.huazhu.com/inthotel/detail/9005308’
browser.get(url)
这回页面总算是出来了:
然而价格有时并不显示,只能多刷新几下页面:
多次访问之后,数据总算能看到了。
下面让模拟器模拟点击查看全部价格:
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
wait = WebDriverWait(browser, 10)
table = wait.until(EC.element_to_be_clickable(
(By.CSS_SELECTOR, ‘#Pdetail_part2 table’)))
table.location_once_scrolled_into_view
{‘x’: 0, ‘y’: 0}
more_click = wait.until(EC.element_to_be_clickable(
(By.CSS_SELECTOR, ‘#Pdetail_part2 a[class=“viewallprice”]’)))
more_click.click()
这样7条价格数据,我们就全部能够看到了。
下面我们开始抓取我们需要的数据:
截图获取需要的数据
from io import BytesIO
import base64
from PIL import Image
for tr in table.find_elements_by_css_selector(“table tr[class^=‘room first’]”):
print(tr.find_element_by_tag_name(“h3”).text)
price = tr.find_element_by_css_selector(
“div>a[class^=‘totalprice’]”)
img_data = base64.b64decode(price.screenshot_as_base64)
img = Image.open(BytesIO(img_data))
display(img)
调整鼠标滑动的位置后再来一次:
说明截图有时截的并不准确,想要精准截图也非常困难,因为无法通过程序准确滚动到应该的位置。
光截图就能搞定,那就太简单了。
本文的主要目前还是为了演示解析CSS,咱们继续采用解析法来获取数据:
解析CSS获取图片数据
首先我们解析出我们需要的数据:
img_url = None
for tr in table.find_elements_by_css_selector(“table tr[class^=‘room first’]”):
name = tr.find_element_by_tag_name(“h3”).text
print(name)
price = tr.find_element_by_css_selector(“div>a[class^=‘totalprice’]”)
for var in price.find_elements_by_tag_name(“var”):
if img_url is None:
img_url = var.value_of_css_property(“background-image”)[5:-2]
print(img_url)
position = var.value_of_css_property(“background-position”)
w, h = map(lambda x: int(x[1:-2]), position.split())
print(w, h)
高级大床房
http://hotels.huazhu.com/Blur/Pic?b=81efc0b8e3094942a81d01e311864270
170 2
188 2
126 2
豪华大床房
170 2
33 2
56 2
豪华双床房
145 2
2 2
188 2
观景豪华大床房
145 2
170 2
111 2
行政大床房
33 2
56 2
56 2
行政双床房
201 2
2 2
145 2
行政套房
2 2
2 2
33 2
188 2
尝试下载CSS背景图片:
browser.get(img_url)
结果又是被腾讯T-Sec Web应用防火墙(WAF)拦截的页面,说明直接用selenium下载图片行不通。
用request下载呢?经尝试也老是被拦截。
最终,写出了如下代码(还能较为顺利的获取图片数据):
import requests
from io import BytesIO
import base64
from PIL import Image
def download_img(img_url):
cookies = {o[‘name’]: o[‘value’] for o in browser.get_cookies()}
headers = {
“Accept”: “text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,/;q=0.8,application/signed-exchange;v=b3;q=0.9”,
“Accept-Encoding”: “gzip, deflate”,
“Accept-Language”: “zh-CN,zh;q=0.9”,
“Cache-Control”: “max-age=0”,
“Connection”: “keep-alive”,
“Host”: “hotels.huazhu.com”,
“Upgrade-Insecure-Requests”: “1”,
“User-Agent”: “Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36”
}
for _ in range(10):
r = requests.get(img_url, headers=headers, cookies=cookies)
if r.status_code == 200:
break
else:
return None
img = Image.open(BytesIO(r.content))
return img
img = download_img(img_url)
img
有了图片,我们就可以裁剪出相应的数字图片并进行拼接了。
对最后一条数据进行测试:
可以看到解析和拼接的效果非常不错。
然后测试批量的数据提取:
img_url = None
for tr in table.find_elements_by_css_selector(“table tr[class^=‘room first’]”):
name = tr.find_element_by_tag_name(“h3”).text
print(name)
price = tr.find_element_by_css_selector(“div>a[class^=‘totalprice’]”)
var_el_s = price.find_elements_by_tag_name(“var”)
n = len(var_el_s)
target = Image.new(‘RGB’, (10 * n, 17), color=(255, 255, 255))
for i, var in enumerate(var_el_s):
if img_url is None:
img_url = var.value_of_css_property(“background-image”)[5:-2]
最后
🍅 硬核资料:关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助:技术群大佬指点迷津,你的问题可能不是问题,求资源在群里喊一声。
🍅 面试题库:由技术群里的小伙伴们共同投稿,热乎的大厂面试真题,持续更新中。
🍅 知识体系:含编程语言、算法、大数据生态圈组件(Mysql、Hive、Spark、Flink)、数据仓库、Python、前端等等。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!