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!
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]
img = download_img(img_url)
position = var.value_of_css_property(“background-position”)
w, h = map(lambda x: int(x[1:-2]), position.split())
r = img.crop((w, h, w+8, h+17))
target.paste(r, (10*i, 0), r)
display(target)
可以看到已经顺利的得到了需要的结果,与网站看到的数据一致:
剩下的我们仅仅只需要对拼接好的图片进行图像识别即可,或者就直接原有图片形式保存。
图像识别
关于图像识别,有在线识别和离线识别两种方式。在线文字可以考虑使用百度云,腾讯云等,根据官网提供的接口进行操作。
下面呢,我们尝试进行离线文字识别,离线文字识别的准确率往往不如在线。
为了更好的识别效果,我们先对图片进行二值化处理:
def image_binarization(im, threshold=250):
Lim = im.convert(“L”)
table = [0 if i < threshold else 1 for i in range(256)]
return Lim.point(table, “1”)
image_binarization(target)
下面我们需要安装pytesseract和Tesseract-OCR。
pytesseract是一个Python库:
pip insatll pytesseract
Tesseract-OCR则需要在地址下载安装包。
由于网络原因,我在[h地址]( )
下载了一个。
项目地址:地址
安装完成后,添加安装路径到path环境变量,命令行执行后出现如下提示说明安装成功:
C:\Users\ASUS>tesseract -v
tesseract v5.0.0.20190623
leptonica-1.78.0
libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.5.3) : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.3.0
Found AVX2
Found AVX
Found SSE
C:\Users\ASUS>
然后我们开始识别:
import pytesseract
text = pytesseract.image_to_string(image_binarization(target)).strip()
print(text)
1183
于是可以开始进行批量识别了:
import pytesseract
for tr in table.find_elements_by_css_selector(“table tr[class^=‘room first’]”):
name = tr.find_element_by_tag_name(“h3”).text
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]
(1)Python所有方向的学习路线(新版)
这是我花了几天的时间去把Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
最近我才对这些路线做了一下新的更新,知识体系更全面了。
(2)Python学习视频
包含了Python入门、爬虫、数据分析和web开发的学习视频,总共100多个,虽然没有那么全面,但是对于入门来说是没问题的,学完这些之后,你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。
(3)100多个练手项目
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了,只是里面的项目比较多,水平也是参差不齐,大家可以挑自己能做的项目去练练。
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!