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)]