2024年Python攻破超强防火墙，处理超强反爬并对CSS图片背景偏移定位。，面试4个月被17家公司拒绝

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。

需要这份系统化学习资料的朋友，可以戳这里获取

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。

需要这份系统化学习资料的朋友，可以戳这里获取

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！