JAVA实现美团电影价格抓取(附代码)

各位老大好，我是烤鸭：

最近在研究爬虫,看到有意思的是美团的电影票价，普通的抓取是抓不到的。

例如网址：http://bj.meituan.com/shop/105355906?mtt=1.movie/cinemalist.0.0.j8oaf2un（当你打开403或者404的话，美团的这个网址每次刷新都会变。你可以访问这个，http://bj.meituan.com/shop/105355906，找个影片就行。）

打开如图:

图片有点看不清，没关系，如果你也在研究爬虫，可能会跟我有一样的疑问，这种怎么实现，又怎么破解。

1.分析网页

普通的爬虫抓取，只要找到的特定的标签，抓取其中的内容就可以了。但是有一些比较敏感的数据，网页会做处理，比如价格，或者视频资源之类的。

 视频一般的处理方式是blob二进制，存的数据就是二进制，取出来的时候浏览器可以解析，具体的实现我也不清楚。

举个例子：

http://finance.gaodun.cn/cfapeixun/33049.html

他的视频路径就是blob的。

       

而拿美团来说。我们检查这个价格，发现是i标签里引入一张背景图片，用postion来调整刚好暴露出来的数字就是价格。知道实现方式就简单了，就可以对症下药了。

2.解析元素

复制价格的图片i标签的内容。

background-image:url(//s0.meituan.net/bs/file/?f=fewww:/www/css/si/pricesp/12/25a711bd77.png@4344444);background-position: 0px -26px;

注意每一次打开网页，图片url都是新的，一次请求抓取这个页面的全部数据，不要分次请求。

上面的background-image的url如图。

3.破解图片

这一步是最复杂的。我用的是开源的工具tesseract-ocr。

附上github地址: https://github.com/tesseract-ocr/tesseract

各个版本下载地址： https://github.com/tesseract-ocr/tesseract/tags

说下思路，如果你用这个工具直接读取这张图片，是100%都不出来的，因为图片分辨率太小，每个数字占的位置也小。

我想的是最好的就是显示什么价格，我就截取那个价格的数字，这样肯定能够解析出来。问题来了，怎么取到这个位置。

再看一下i标签。

background-position: 0px -26px;

试着调整位置，不难发现规律，图片是x,y轴，0，-26：x轴0，y轴-26。

知道怎么弄，就开始做吧。

安装tesseract-ocr，不会安装的看这个地址吧。

https://www.cnblogs.com/jianqingwang/p/6978724.html。

下载exe正常安装，配置环境变量。

说一下tessdata文件夹，里边装的是各种训练库。eng代表英文和数字。chs是中文，

但是中文支持不太友好。其他的库自己下载去吧。我用的eng够用。

截一张安装成功的图。

tesseract -v 

查看安装版本

4.最后一步。开始代码！

之前也说了，每次刷新的价格图片都是新的，所以我下边演示图片的可能和上边的不一样。

先上一张识别结果，是我刚试过的：

这个价格是1，postion是0，-52。

操作就是按照之前的思路，把这个图片截取放大，再识别，因为截取的时候没法精确到个位数，所以只能截取一行来根据位置识别。右边的图片就是截取之后的。

不敢说正确率，只是尝试了几个，以上所有内容仅供技术交流，希望大家不要用到其他地方。

最后附上源码地址：

http://download.csdn.net/download/angry_mills/10143366

上面有些截图可能不是很清楚，没关系，原理懂了就可以，代码下载实践一下，欢迎交流。