selenium+云打碼+百度ocr爬取360的電話號(hào)碼標(biāo)記

??寫了個(gè)腳本，用于從www.so.com 上查詢電話號(hào)碼的標(biāo)記情況，記錄下號(hào)碼所屬公司、標(biāo)記類型、標(biāo)記人數(shù)（如果存在）。如下圖紅框中的信息。主要使用python的beautifulsoup和selenium，還用到了云打碼平臺(tái)（固定ip頻繁查詢后會(huì)被360要求輸入驗(yàn)證碼，需要收費(fèi)，1分錢1個(gè)碼）和百度OCR（360的查詢結(jié)果中，所屬公司是圖片形式，因此需要文字識(shí)別，每天50000張以下免費(fèi)）。約4-8秒處理一個(gè)號(hào)碼，只能單進(jìn)程（多進(jìn)程啥的無意義，畢竟固定ip只有一個(gè)）。我們用來處理9000個(gè)號(hào)碼，0點(diǎn)開始，大約10點(diǎn)結(jié)束。（python3.7.2）


??云打碼平臺(tái)：http://www.yundama.com/apidoc/YDM_SDK.html#demo
??百度OCR：https://ai.baidu.com/sdk#ocr

??1、需要用到的模塊

#-*- coding: UTF-8 -*-
import sys
import time
import os
import re
import random
import base64
＃百度ocr模塊
from aip import AipOcr
import datetime
from ctypes import *
from selenium import webdriver
from pyquery import PyQuery as pq
from bs4 import BeautifulSoup
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.common.action_chains import ActionChains
default_encoding = 'utf-8'
if sys.getdefaultencoding() != default_encoding:
    reload(sys)
    sys.setdefaultencoding(default_encoding)

??2、準(zhǔn)備工作

# 調(diào)用云打碼api，需要提供賬號(hào)id、api key、用戶名、密碼、識(shí)別類型、超時(shí)時(shí)間
# 注意指定云打碼的dll文件路徑
YDMApi = windll.LoadLibrary('C:\\phone\\yundamaAPI-x64.dll')
appId = 賬號(hào)id
appKey = b'api key'
username = b'用戶名'
password = b'密碼'
# 1004表示識(shí)別類型是4個(gè)字母或數(shù)字
codetype = 1004
timeout = 60

# 使用selenium
chrome_options = webdriver.ChromeOptions()
# 使用最高權(quán)限模式，并使用無圖形化界面模式
chrome_options.add_argument("--no-sandbox")
chrome_options.add_argument('--headless')
browser=webdriver.Chrome(chrome_options=chrome_options)

# 窗口最大化，無圖形化模式下不用
browser.maximize_window()

# 先打開360的查詢頁面
url='https://www.so.com/s?q=021'
browser.get(url)

??3、查詢號(hào)碼，這里只用1個(gè)號(hào)碼舉例，批量查詢可以用循環(huán)

phone=號(hào)碼
# 中間有些sleep是為了保證運(yùn)行不出錯(cuò)，可以適當(dāng)再調(diào)快
try:
    # 定位搜索框控件
    sousuokuang=browser.find_element_by_id("keyword")
    time.sleep(0.5)
    # 搜索框清空
    sousuokuang.clear()
    time.sleep(0.5)
    # 輸入號(hào)碼
    sousuokuang.send_keys(phone)
    time.sleep(0.5)
    # 點(diǎn)擊搜索按鈕
    browser.find_element_by_id("su").submit()
    time.sleep(random.uniform(0.5,1.3))
    # 試圖定位驗(yàn)證碼控件，如果定位失敗，進(jìn)入except，如果定位成功（說明有驗(yàn)證碼），則進(jìn)入else
    yanzhengma=browser.find_element_by_id("img")
except:
    # 沒有驗(yàn)證碼，查詢成功，進(jìn)入結(jié)果頁面
    pass

??4、有驗(yàn)證碼的情況，嘗試云打碼

else:
    # 如果有驗(yàn)證碼，先點(diǎn)擊驗(yàn)證碼圖片（圖片要先點(diǎn)擊一次才會(huì)顯示驗(yàn)證碼）
    time.sleep(0.3)
    ActionChains(browser).click(yanzhengma).perform()
    time.sleep(0.3)
    # 將驗(yàn)證碼圖片保存到本地（號(hào)碼.png）
    yanzhengma.screenshot("c:\\phone\\%s.png" % phone)
    # 進(jìn)行云打碼（參考云打碼文檔）
    result = c_char_p(b"                              ")    
    filename = b'C:\\phone\\%s.png' % phone.encode('gbk')
    captchaId = YDMApi.YDM_EasyDecodeByPath(username, password, appId, appKey, filename, codetype, timeout, result)

    # 驗(yàn)證碼數(shù)據(jù)解碼獲取
    shuruma=(result.value).decode('gbk')
    # 定位驗(yàn)證碼輸入框
    shurukuang=browser.find_element_by_name("rcode")
    time.sleep(0.3)
    # 輸入驗(yàn)證碼并點(diǎn)擊按鈕
    shurukuang.send_keys(shuruma)
    time.sleep(0.3)
    browser.find_element_by_class_name("btn").submit()
    # 刪除驗(yàn)證碼圖片
    os.remove('c:\\phone\\%s.png' % phone)
finally:
    # 讀取網(wǎng)頁內(nèi)容并初始化
    html=browser.page_source
    data=str(pq(html))

??5、百度OCR準(zhǔn)備工作（如果號(hào)碼有所屬公司標(biāo)記，公司名稱是圖片格式，需要識(shí)別）

# 讀取需要ocr識(shí)別的圖片
def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()

# 百度ocr需要有appid、apikey、秘鑰，調(diào)用函數(shù)
APP_ID = 'appid'
API_KEY = 'API key'
SECRET_KEY = '秘鑰'
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

??6、網(wǎng)頁內(nèi)容解析，找出標(biāo)記類型和標(biāo)記數(shù)量

# 頁面信息分析
soup = BeautifulSoup(data,"lxml")
# 查找class名為mohe-tips的div標(biāo)簽
soup_div=soup.find('div',{'class':"mohe-tips"})
# 如果有mohe-tips
if soup_div!=None:
    # 進(jìn)一層查找span標(biāo)簽
    soup_spans=soup_div.findAll('span')
    # 如果有2個(gè)span標(biāo)簽（有標(biāo)記的號(hào)碼，正常情況都是2個(gè)span）
    if len(soup_spans)==2:
        # 第1個(gè)span是號(hào)碼標(biāo)記（騷擾電話、中介等，用state變量）
        state=soup_spans[0].getText().replace('\t','').replace('\n','').replace(' ','')

        # 第2個(gè)span是標(biāo)記數(shù)，有的號(hào)碼可能沒有，就標(biāo)為0（用num變量）
        try:
            num=soup_spans[1].find('b').getText()
        except:
            num=0
        else:
            pass

    # 如果進(jìn)一層查找結(jié)果span標(biāo)簽有1個(gè)（第一種特殊情況）
    else:
        # 重新查找class名為mohe-tips mh-ws-hy的div標(biāo)簽
        soup_div=soup.find('div',{'class':"mohe-tips mh-ws-hy"})
        # 如果查找結(jié)果不為空
        if soup_div!=None:
            # 再進(jìn)一層查找span標(biāo)簽
            soup_spans=soup_div.findAll('span')
            # 第1個(gè)span是號(hào)碼標(biāo)記
            state=soup_spans[0].getText().replace('\t','').replace('\n','').replace(' ','')

            # 第2個(gè)span是標(biāo)記數(shù)，有的號(hào)碼可能沒有，就標(biāo)為0
            try:
                num=soup_spans[1].find('b').getText()
            except:
                num=0
            else:
                pass
        # 如果進(jìn)一層查找結(jié)果為空，則表示該號(hào)碼無標(biāo)記
        else:
            num=u'0'
            state=u'無'

# 如果沒有mohe-tips標(biāo)簽，第二種特殊情況
else:
    # 直接查找class名為mohe-tips mh-ws-hy的div標(biāo)簽
    soup_div=soup.find('div',{'class':"mohe-tips mh-ws-hy"})
    # 如果查找結(jié)果不為空
    if soup_div!=None:
        # 進(jìn)一層查找span標(biāo)簽
        soup_spans=soup_div.findAll('span')
        # 第1個(gè)span是號(hào)碼標(biāo)記
        state=soup_spans[0].getText().replace('\t','').replace('\n','').replace(' ','')
        # 第2個(gè)span是標(biāo)記數(shù)，有的號(hào)碼可能沒有，就標(biāo)為0
        try:
            num=soup_spans[1].find('b').getText()
        except:
            num=0
        else:
            pass
    #如果進(jìn)一層查找結(jié)果為空，則表示該號(hào)碼無標(biāo)記
    else:
        num=u'0'
        state=u'無'

??7、網(wǎng)頁內(nèi)容解析，識(shí)別所屬公司

# 查找有無class名為mh-hy-img的img控件
soup_img=soup.find('img',{'class':"mh-hy-img"})
try:
    # 嘗試把img控件的前綴'data:image/png;base64,'給刪除
    img_src=soup_img.get("src").replace('data:image/png;base64,','')
except:
    # 如果刪除失敗，就表示沒有所屬公司標(biāo)記，就標(biāo)記為無（用company變量）
    company=u'無'
else:
    # 如果有img控件，就把圖片保存到本地
    f = open('c:\\phone\\%s.png' % phone,'wb')
    f.write(base64.b64decode(img_src))
    f.close()
    # 讀取本地圖片，通過百度ocr識(shí)別，并把圖片刪除
    image = get_file_content('c:\\phone\\%s.png' % phone)
    company=client.basicGeneral(image)['words_result'][0]['words']
    os.remove('c:\\phone\\%s.png' % phone)
# 在沒有mh-hy-img的img控件情況下，有一種特殊情況
if soup_img==None: 
    # 查找有無class名為mohe-tips mh-hy的strong控件
    soup_strong=soup.find('strong',{'class':"mohe-tips mh-hy"})
    try:
        # 進(jìn)一步查找有無img控件
        soup_img=soup_strong.find('img')
        img_src=soup_img.get("src").replace('data:image/png;base64,','')
    except:
        # 如果沒有img控件，公司標(biāo)記為無
        company=u'無'
    else:
        # 有img控件，就把圖片識(shí)別處理并刪除
        f = open('c:\\phone\\%s.png' % phone,'wb')
        f.write(base64.b64decode(img_src))
        f.close()
        image = get_file_content('c:\\phone\\%s.png' % phone)
        company=client.basicGeneral(image)['words_result'][0]['words']
        os.remove('c:\\phone\\%s.png' % phone)

??8、輸出結(jié)果

print phone,state,num,company