新知一下
海量新知
5 9 8 1 5 4 1

Python处理超强反爬(TSec防火墙+CSS图片背景偏移定位)

Python进阶学习 | 人生苦短,我用Python 2021/11/26 12:37

新知达人, Python处理超强反爬(TSec防火墙+CSS图片背景偏移定位)

太神奇了,对于每个数字都用css背景图片裁切得到一张小图进行显示。可以确定的是每个数字的图片大小是8*17。

今天我们就一起玩玩。

开始测试

先尝试用request读取数据,结果获得一大堆极度混淆的JS的代码。然后尝试用selenium访问,结果:

新知达人, Python处理超强反爬(TSec防火墙+CSS图片背景偏移定位)

感觉这个防火墙有点叼。

算了,使用大杀器来隐藏模拟浏览器的特征:

from selenium.webdriver import ChromeOptions

from selenium import webdriver

browser = webdriver.Chrome()

option = ChromeOptions()

option.add_experimental_option('excludeSwitches', ['enable-automation'])

option.add_experimental_option('useAutomationExtension', False)

option.add_argument(

    'user-agent=Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36')

option.add_argument("--disable-blink-features=AutomationControlled")

browser = webdriver.Chrome(options=option)

with open('stealth.min.js') as f:

    js = f.read()

browser.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {

    'source': js

})

url = 'http://hotels.huazhu.com/inthotel/detail/9005308'

browser.get(url)

这回页面总算是出来了:

新知达人, Python处理超强反爬(TSec防火墙+CSS图片背景偏移定位)

然而价格有时并不显示,只能多刷新几下页面:

新知达人, Python处理超强反爬(TSec防火墙+CSS图片背景偏移定位)

多次访问之后,数据总算能看到了。

下面让模拟器模拟点击查看全部价格:

from selenium.webdriver.common.by import By

from selenium.webdriver.support.ui import WebDriverWait

from selenium.webdriver.support import expected_conditions as EC

wait = WebDriverWait(browser, 10)

table = wait.until(EC.element_to_be_clickable(

    (By.CSS_SELECTOR, '#Pdetail_part2 table')))

table.location_once_scrolled_into_view

{'x': 0, 'y': 0}

more_click = wait.until(EC.element_to_be_clickable(

    (By.CSS_SELECTOR, '#Pdetail_part2 a[class="viewallprice"]')))

more_click.click()

这样7条价格数据,我们就全部能够看到了。

下面我们开始抓取我们需要的数据:

截图获取需要的数据

from io import BytesIO

import base64

from PIL import Image

for tr in table.find_elements_by_css_selector("table tr[class^='room first']"):

    print(tr.find_element_by_tag_name("h3").text)

    price = tr.find_element_by_css_selector(

        "div>a[class^='totalprice']")

    img_data = base64.b64decode(price.screenshot_as_base64)

    img = Image.open(BytesIO(img_data))

    display(img)

新知达人, Python处理超强反爬(TSec防火墙+CSS图片背景偏移定位)

调整鼠标滑动的位置后再来一次:

新知达人, Python处理超强反爬(TSec防火墙+CSS图片背景偏移定位)

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

新知达人, Python处理超强反爬(TSec防火墙+CSS图片背景偏移定位)

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:

新知达人, Python处理超强反爬(TSec防火墙+CSS图片背景偏移定位)

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)

新知达人, Python处理超强反爬(TSec防火墙+CSS图片背景偏移定位)

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:

新知达人, Python处理超强反爬(TSec防火墙+CSS图片背景偏移定位)

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

https://digi.bib.uni-mannheim.de/tesseract/

下载安装包。

由于网络原因,我在

https://www.liangchan.net/liangchan/11545.html

下载了一个。

项目地址:

https://github.com/tesseract-ocr/tesseract

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:UsersASUS>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:UsersASUS>

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]

            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)

    text = pytesseract.image_to_string(image_binarization(target)).strip()

    print(name, text)

新知达人, Python处理超强反爬(TSec防火墙+CSS图片背景偏移定位)

从结果可以看到,识别的准确率还是非常高的,至少目前看到的全部都正确了。


      

更多“Python”相关内容

更多“Python”相关内容

新知精选

更多新知精选