python使用selenium和tesseract来爬取电影评分

总目录

使用python来爬取网页信息经常遇到反爬，对于一些加密的信息更是难搞，下载.woff之类的文件再解码对于菜鸡来说有点难，而且代码量太大。
相对而言使用OCR（文字识别）比较方便，个人感觉不好的就是需要把图片给截取下来有点占地方，所以如果只是截取少量的话这个还是很不错的。

工具需求

python3.7
tesseract
chromedriver

第三方库：
selenium pytesseract time PIL

爬取原理

使用selenium的webdriver来定位评分所在的元素，使用PIL的截屏来获取评分的图片，再通过pytesseract来识别图片文字，进行输出。

安装第三方库

第三方库安装命令
pip install selenium
pip install time
pip install PIL
pip install pytesseract
（关于selenium和tesseract的安装使用请另行百度，或者哪天我有时间了写一下也行，嘿嘿嘿）

上代码

# 导入模拟浏览器界面的selenium模块库
from selenium import webdriver
# 导入时间库模块
from time import sleep
from PIL import Image
import pytesseract

#设置要爬取的网址
url = 'https://movie.douban.com/subject/26087750/'
#有些网站反爬比较厉害，如果需要可自行设置，这个不一定有用
'''
options = webdriver.ChromeOptions()
options.add_argument('--kiosk')
driver = webdriver.Chrome(chrome_options=options)
'''
#打开Chrome进行截取
driver = webdriver.Chrome()
driver.get(url)
#定位元素
pingfen = driver.find_element_by_xpath('//strong[@class="ll rating_num"]')
#截取
pingfen.screenshot('kuiba.png')
sleep(5)
driver.quit()
#使用tesseract进行文字识别
text=pytesseract.image_to_string(Image.open('kuiba.png'))
print(text)

结果图

定位评分所在的元素：

经过文字识别后得出的结果：

（《魁拔》是真的不错，安利一波）

写在最后

第一次写博客，代码自己跑是没有问题的，写的不好了也欢迎在下面指出并帮忙改正，菜鸡一枚，嘿嘿嘿