Python爬虫实战之bilibili

本文主要是介绍Python爬虫实战之bilibili，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Python爬虫实战之bilibili

声明：以下内容均为我个人的理解，如果发现错误或者疑问可以联系我共同探讨

爬虫介绍

网站介绍

本次要爬取的网站为bilibili，它是国内知名的视频弹幕网站,这里有及时的动漫新番,活跃的ACG氛围,有创意的Up主。可以在这里找到许多欢乐。

编写爬虫的原因和用途

bilibili已经从原来的小破站变成了现在现象级的多元化的社区网站，本次爬取它的目的是以它作为一个典型，告诉大家遇到各类型验证码的一种思路。

其实这类网站有个最简单的办法，就是提前登陆手动获取到cookie，然后根据cookie去请求我们需要爬取的网站。个人目的的爬虫可以用这类方法，比较省编写代码的时间。但是公司中可能会遇到众多账户的爬虫需求，一个一个手动登录去获取cookie就比较麻烦了，这时候使用Selenium自动化去获取效率就高很多了。

Selenium

简介

正如他们官方的介绍Selenium automates browsers. That's it!，他是一个自动化的浏览器，可以模拟人的操作。

使用教程

推荐通过Selenium中文网学习，非常全面！

验证码分析

滑动验证码

哔哩哔哩从之前的验证码是滑动验证码，主要思路就是找到缺口确定缺口的坐标，然后通过Selenium操作滑动到指定位置就行。类似的还有阿里系的大部分网页，比如飞猪、淘宝、天猫等，不过阿里系的不是每次都需要验证，得根据实际情况操作。

这种就是找到最右边的位置信息，然后滑动即可

这种需要先找到整个图片的位置，然后滑动先找到内容的轮廓在进行滑动，都是同一个思路演变的

看图填答案系列

包括东方财富网上交易、bigquant等等，这类比较简单。将其下载下来根据验证码的情况进行处理然后交给各大云服务商的ORC服务识别就可以，都有免费试用的额度，根据自己的需求和喜好选择，也可以多试几家进行对比。

百度、腾讯、阿里、有道智云

根据图片进行操作点击系列

目前多了很多这种验证码，这种的难度在于情况变化比较多，不仅限于汉字和数字，还有可能是图片等等，这时候自己想办法也能解决，但是策略一改变就比较麻烦，可以借助各类打码的平台，对内容进行识别，然后再根据内容去进行操作

易云打码、快识别网址、斐斐打码等等

bilibili登陆分析

bilibili的最新的验证码属于第三种，在点击登陆按钮就会出现一个验证码的框,我们需要将这个图片下载下来给打码平台去识别，获得坐标信息然后再用Selenium进行点击操作

​ bilibili验证码

编写代码

Selenium模拟登陆

import re
import time
import base64
import json
import requests
from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.chrome.options import Optionsclass Bilibili(object):def __init__(self):chrome_options = Options()# 设置无窗口模式# chrome_options.add_argument('--headless')self.driver = webdriver.Chrome('./chromedriver', options=chrome_options)def login(self, username, password):# 开登陆页面self.driver.get("https://passport.bilibili.com/login")# 输入用户名和密码self.driver.find_element_by_id('login-username').send_keys(username)self.driver.find_element_by_id('login-passwd').send_keys(password)# 点击登陆按钮self.driver.find_element_by_class_name('btn-login').click()# 等待验证码出现# self.driver.implicitly_wait(10)time.sleep(5)# 获取图片所在属性img_style = self.driver.find_element_by_class_name('geetest_tip_img').get_attribute('style')# 通过正则表达式获得图片urlurl = re.findall('url\("(.*?)"\)', img_style)[0]# 通过requests发送请求得到图片response = requests.get(url).content# 将图片保存在本地with open('./captcha.png', 'wb') as f:f.write(response)# 通过打码平台进行打码识别result = self.captcha_recognition()# 识别成功if result != "":# 对识别到的坐标进行分组处理result_list = result.split('|')for result in result_list:x = result.split(',')[0]y = result.split(',')[1]# 根据坐标执行整个动作链ActionChains(self.driver).move_to_element_with_offset(img_style, int(x), int(y)).click().perform()# 点击确定按钮self.driver.find_element_by_class_name('geetest_commit').click()# 获得登陆后的cookiecookie = [item["name"] + "=" + item["value"] for item in self.driver.get_cookies()]self.driver.close()return cookiedef captcha_recognition(self):"""验证码识别"""username = 'username'password = 'password'with open('./captcha.png', 'rb') as f:base64_data = base64.b64encode(f.read())b64 = base64_data.decode()data = {"username": username, "password": password, "typeid": 27, "image": b64}result = json.loads(requests.post("http://api.ttshitu.com/predict", json=data).text)if result['success']:return result["data"]["result"]else:print(result["message"])return ""

这篇关于Python爬虫实战之bilibili的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---