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。

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]

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”)

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。

小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数初中级Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助，可以添加下面V无偿领取！（备注：python）

待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。**

深知大多数初中级Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助，可以添加下面V无偿领取！（备注：python）
[外链图片转存中…(img-pkMOVSrS-1711064357484)]