前言
爬取canvas有两种办法,一种是获取其base64数字码,第二种是直接截屏,我两种都试过,但第一种过于繁琐,也会导致内存紧张(一截屏的数字码都有几MB大小了(╯‵□′)╯︵┻━┻),所以我展现第二种方式,截屏。
实操
建议使用python,python有个很好的类库
首先install三个个类库,一个numpy,一个selenium,还有一个PIL。
然后去网上下载谷歌驱动到你的python安装目录下
下载链接:http://chromedriver.storage.googleapis.com/index.html
例子如下:
import time
import numpy as np
from PIL import Image
from numpy import array
from selenium import webdriver
from selenium.webdriver.common.by import By
# 需要先安装谷歌驱动(http://chromedriver.storage.googleapis.com/index.html)安装你谷歌浏览器对应的版本,放在python安装目录下,不然会报错:找不到驱动
opt = webdriver.ChromeOptions()
# opt.add_argument('headless') # 设置option,后台运行
driver = webdriver.Chrome(options=opt) # 创建浏览器对象
url = "https://weread.qq.com/web/bookDetail/5de32c70719cc6825de03e5"
path = '.\\'
driver.get(url)# 打开网页
driver.find_element(By.CLASS_NAME, value = "blue").click()
# window_height = driver.get_window_size()['height'] - 130 # 窗口高度
# driver.execute_script(f'document.getElementsByClassName("readerTopBar")[0].style.display="none"')
# driver.save_screenshot(r'.\screenshot.png')
test = 1
while test <= 19:
time.sleep(1)# 给系统一个反应的时间
window_height = driver.get_window_size()['height'] - 130 # 窗口高度
page_height = driver.execute_script('return document.documentElement.scrollHeight') # 页面高度
if page_height > window_height:
n = (page_height / window_height) # 需要滚动的次数
path2 = ".\\snapshot\\"
driver.execute_script(f'document.getElementsByClassName("readerTopBar")[0].style.display="none"')
driver.save_screenshot(r'.\screenshot.png')
base_mat = np.atleast_2d(Image.open(r'.\screenshot.png')) # 打开
for i in range(int(n)):
driver.execute_script(f'document.documentElement.scrollTop={window_height * (i + 1)};')
fileName = fr"snapshot_{i}.png"
time.sleep(0.5)
driver.save_screenshot(path+fileName) # 保存截图
mat = np.atleast_2d(Image.open(path+fileName)) # 打开截图并转为二维矩阵
base_mat = np.append(base_mat, mat, axis=0) # 拼接图片的二维矩阵
file_path = fr".\mySnapshot_{test}.png"
print(file_path)
Image.fromarray(base_mat).save(file_path)
test += 1
if test != 19:
driver.find_element(By.CLASS_NAME,value="readerFooter_button").click()
里面的注解讲的挺详尽的,我这里粗略的说一下
思想是将每一个页面都依据屏幕大小分成好几段,然后再将这好几段的截屏合并,这一页的屏幕就截下来了。
至于保证无缝隙嘛,就靠自己慢慢试数据咯。希望拓印文字的话,搞个图片转文字的类库即可。
步骤讲解
- 创建chrome的对象
opt = webdriver.ChromeOptions()
# opt.add_argument('headless') # 设置option,后台运行
driver = webdriver.Chrome(options=opt) # 创建浏览器对象
- 设置好爬取的url并打开
url = "https://weread.qq.com/web/bookDetail/5de32c70719cc6825de03e5"
path = '.\\'
driver.get(url)# 打开网页
- 获取爬取的元素
driver.find_element(By.CLASS_NAME, value = "blue").click()
- 设置爬取几页
test = 1
while test <= 19:
time.sleep(1)# 给系统一个反应的时间
- 获取单页面的爬取高度,将所有的截屏截下来后再合并
window_height = driver.get_window_size()['height'] - 130 # 窗口高度
page_height = driver.execute_script('return document.documentElement.scrollHeight')
- 遍历单页面的所有截屏
if page_height > window_height:
n = (page_height / window_height) # 需要滚动的次数
path2 = ".\\snapshot\\"
driver.execute_script(f'document.getElementsByClassName("readerTopBar")[0].style.display="none"')
driver.save_screenshot(r'.\screenshot.png')
base_mat = np.atleast_2d(Image.open(r'.\screenshot.png')) # 打开
for i in range(int(n)):
driver.execute_script(f'document.documentElement.scrollTop={window_height * (i + 1)};')
fileName = fr"snapshot_{i}.png"
time.sleep(0.5)
7.保存单个屏幕截屏并合并截屏
driver.save_screenshot(path+fileName) # 保存截图
mat = np.atleast_2d(Image.open(path+fileName)) # 打开截图并转为二维矩阵
base_mat = np.append(base_mat, mat, axis=0) # 拼接图片的二维矩阵
file_path = fr".\mySnapshot_{test}.png"
Image.fromarray(base_mat).save(file_path)
test += 1
8.跳转下一页
if test != 19:
driver.find_element(By.CLASS_NAME,value="readerFooter_button").click()