新利88中文导航
  咨询电话:18518950081

18luck备用注册

【Python3爬虫】12306爬虫

此次要实现的目标是登录12306网站和查看火车票信息。

 

具体步骤

一、登录

登录功能是通过使用selenium实现的,用到了超级鹰来识别验证码。没有超级鹰账号的先注册一个账号,充值一点题分,然后把下载这个Python接口文件,再在里面添加一个use_cjy的函数,以后使用的时候传入文件名就可以了(验证码类型和价格可以在价格体系查看):

1 def use_cjy(filename):2 username = "" # 用户名3 password = "" # 密码4 app_id = "" # 软件ID5 cjy = CJYClient(username, password, app_id) # 用户中心>>软件ID6 im = open(filename, "rb").read() # 本地图片文件路径7 return cjy.PostPic(im, 9004) # 9004->验证码类型

然后进入12306的登录页面,网址为https://kyfw.12306.cn/otn/login/init,可以看到有一个像下面这样的验证码:

要破解这个验证码,第一个问题是怎么得到这个验证码图片,我们可以很轻松的找到这个验证码图片的链接,但是如果用requests去请求这个链接,然后把图片下载下来,这样得到的图片和网页上的验证码图片是不同的,因为每次请求都会刷新一次验证码。所以需要换个思路,比如先把网页截个图,然后我们可以知道验证码图片在网页中的位置,然后再根据这个位置,把截图相应的位置给截取出来,就相当于把验证码图片从整个截图中给抠出来了,这样得到的验证码图片就和网页上的验证码一样了。相关代码如下:

1 # 定位到验证码图片 2 captcha_img = browser.find_element_by_xpath("//*[@id="loginForm"]/div/ul[2]/li[4]/div/div/div[3]/img") 3 location = captcha_img.location 4 size = captcha_img.size 5 # 写成我们需要截取的位置坐标 6 coordinates = (int(location["x"]), int(location["y"]), 7 int(location["x"] + size["width"]), int(location["y"] + size["height"])) 8 browser.save_screenshot("screen.png") 9 i = Image.open("screen.png")10 # 使用Image的crop函数,从截图中再次截取我们需要的区域11 verify_code_image = i.crop(coordinates)12 verify_code_image.save("captcha.png")

现在已经得到了验证码图片了,下一个问题是怎么识别?点触验证码识别起来有两个难点,一个是文字识别,要把图上的鞭炮文字识别出来,第二点是识别图片中的内容,比如上图就要把有鞭炮的图片识别出来,而这两个难点利用OCR技术都很那实现,因此选择使用打码平台(比如超级鹰)来识别验证码。对于上面这个图,在使用超级鹰识别之后会返回下面这个结果:

{"pic_id": "6048511471893900001", "err_no": 0, "err_str": "OK", "md5": "bde1de3b886fe2019a252934874c6669", "pic_str": "117,140"}

 其中pic_str对应的值就是有鞭炮的图片的坐标位置(如果有多个坐标,会用“|”进行分隔),我们对这个结果进行解析,把坐标提取出来,再利用selenium模拟点击就可以了,相关代码如下:

1 # 调用超级鹰识别验证码 2 capture_result = use_cjy("captcha.png") 3 print(capture_result) 4 # 对返回的结果进行解析 5 groups = capture_result.get("pic_str").split("|") 6 points = [[int(number) for number in group.split(",")] for group in groups] 7 for point in points: 8 # 先定位到验证图片 9 element = WebDriverWait(browser, 20).until(10 EC.presence_of_element_located((By.CLASS_NAME, "touclick-bgimg")))11 # 模拟点击验证图片12 ActionChains(browser).move_to_element_with_offset(element, point[0], point[1]).click().perform()13 sleep(1)

 

 

二、查询

带有车票信息的ajax接口很容易找到,格式也是标准的json格式,解析起来会方便不少

但是爆保存车票的字符串很复杂,我们先把第一条信息打印出来看看,以下是部分信息:

"hH0qeKPBgl0X0aCnrtZFyBgzqydzV45U2M1r%2F32FsaPHeb7Mul00sIb7y9W%2B6df1tUdDGCxqdVs8%0Aw2VodSjdXjUQ2uNdwFprKdVK9iaW60Wj2jKpNKaViR4ndlBCjsYB0SIFQR0pLksy7HDP0KcaoLe4%0A4RW6zRcscO7SRNJZOsF%2Fxj3Ooq76lzzdku3Uw957yjLFyf7ikixOaC%2FAOrLAwCc7y0krRpKJbSn3%0ApBsY%2F%2Fok%2Bmg2xNhXapoCPIt4w0p9",  这段字符是随机生成的,过几秒就回失效。 "39000D30280G",  列车编号 "D3028",  车次 "HKN",  始发站 "AOH",  终点站 "HKN",  出发站 "AOH",  目的站 "07:31",  出发时间 "13:06",  到达时间 "05:35",  总耗时 "Y",  Y表示可以购票,N表示不可以 "20181111",  日期后面基本都是座位的余票信息了。

对于提到的列车站点代码,可以通过请求这个链接,通过得到JS脚本中的station_names变量获取,对应的站点以@字符分隔,相关代码如下:

1 # 请求保存列车站点代码的链接2 res1 = requests.get("https://kyfw.12306.cn/otn/resources/js/framework/station_name.js")3 # 把分割处理后的车站信息保存在station_data中4 self.station_data = res1.text.lstrip("var station_names ="").rstrip(""").split("@")

1 # 返回车站英文缩写 2 def get_station(self, city): 3 for i in self.station_data: 4 if city in i: 5 return i.split("|")[2] 6 7 # 返回车站中文缩写 8 def get_city(self, station): 9 for i in self.station_data:10 if station in i:11 return i.split("|")[1]

 

完整代码已上传到GitHub:https://github.com/QAQ112233/12306