【百度云搜索，搜各種資料:http://www.bdyss.cn】

【搜網盤，搜各種資料:http://www.swpan.cn】

第一步。首先下載，大神者也的倒立文字驗證碼識別程序

下載地址：https://github.com/muchrooms/...

注意：此程序依賴以下模塊包

　　Keras==2.0.1
　　Pillow==3.4.2
　　jupyter==1.0.0
　　matplotlib==1.5.3
　　numpy==1.12.1
　　scikit-learn==0.18.1
　　tensorflow==1.0.1
　　h5py==2.6.0

numpy-1.13.1+mkl

我們用豆瓣園來加速安以上依賴裝如：

          
            pip?install?-i?https://pypi.douban.com/simple?h5py==2.6.0
          
        

如果是win系統，可能存在安裝失敗的可能，如果那個包安裝失敗，就到 http://www.lfd.uci.edu/~gohlk... ?找到win對應的版本下載到本地安裝，如：

          
            pip?install?h5py-2.7.0-cp35-cp35m-win_amd64.whl
          
        

第二步，將者也的，驗證碼識別程序的zheye文件夾放到工程目錄里

第三步，爬蟲實現

start_requests()方法，起始url函數，會替換start_urls

Request()方法，get方式請求網頁
　　url=字符串類型url
　　headers=字典類型瀏覽器代理
　　meta=字典類型的數據，會傳遞給回調函數
　　callback=回調函數名稱

scrapy.FormRequest()post方式提交數據
　　url=字符串類型url
　　headers=字典類型瀏覽器代理
　　meta=字典類型的數據，會傳遞給回調函數
　　callback=回調函數名稱
　　formdata=字典類型，要提交的數據字段

response.headers.getlist('Set-Cookie')?獲取響應Cookies
response.request.headers.getlist('Cookie')?獲取請求Cookies

          
            #?-*-?coding:?utf-8?-*-
import?scrapy
from?scrapy.http?import?Request,FormRequest
import?re

class?PachSpider(scrapy.Spider):????????????????????????????#定義爬蟲類，必須繼承scrapy.Spider
????name?=?'pach'???????????????????????????????????????????#設置爬蟲名稱
????allowed_domains?=?['zhihu.com']????????????????????#爬取域名
????#?start_urls?=?['']?????????????????????????????????????#爬取網址,只適于不需要登錄的請求，因為沒法設置cookie等信息

????header?=?{'User-Agent':'Mozilla/5.0?(Windows?NT?10.0;?WOW64;?rv:54.0)?Gecko/20100101?Firefox/54.0'}??#設置瀏覽器用戶代理

????def?start_requests(self):????#起始url函數，會替換start_urls
????????"""第一次請求一下登錄頁面，設置開啟cookie使其得到cookie，設置回調函數"""
????????return?[Request(
????????????url='https://www.zhihu.com/#signin',
????????????headers=self.header,
????????????meta={'cookiejar':1},???????#開啟Cookies記錄，將Cookies傳給回調函數
????????????callback=self.parse
????????)]

????def?parse(self,?response):
????????#?響應Cookies
????????Cookie1?=?response.headers.getlist('Set-Cookie')????????????????????????????#查看一下響應Cookie，也就是第一次訪問注冊頁面時后臺寫入瀏覽器的Cookie
????????print('后臺首次寫入的響應Cookies：',Cookie1)

????????#獲取xsrf密串
????????xsrf?=?response.xpath('//input[@name="_xsrf"]/@value').extract()[0]
????????print('獲取xsrf密串：'?+?xsrf)

????????#獲取驗證碼?????????
????????import?time?????????
????????t?=?str(int(time.time()*1000))?????????
????????captcha_url?=?'https://www.zhihu.com/captcha.gif?r={0}&type=login?=cn'.format(t)???#構造驗證碼請求地址
????????yield?Request(url=captcha_url,?????????????????????????????????????????????????????????#請求驗證碼圖片
??????????????????????headers=self.header,
??????????????????????meta={'cookiejar':response.meta['cookiejar'],'xsrf':xsrf},???????????????#將Cookies和xsrf密串傳給回調函數
??????????????????????callback=self.post_tj
??????????????????????)

????def?post_tj(self,?response):
????????with?open('yzhm.jpg','wb')?as?f:????????#打開圖片句柄
????????????f.write(response.body)??????????????#將驗證碼圖片寫入本地
????????????f.close()???????????????????????????#關閉句柄

#---------------------------者也驗證碼識別-----------------------

????????from?zheye?import?zheye?????????????????#導入者也倒立文字驗證碼識別模塊對象
????????z?=?zheye()?????????????????????????????#實例化對象
????????positions?=?z.Recognize('yzhm.jpg')?????#將驗證碼本地路徑傳入Recognize方法識別，返回倒立圖片的坐標
????????#?print(positions)??????????????????????#默認倒立文字的y坐標在前，x坐標在后

????????#知乎網要求的倒立文字坐標是x軸在前，y軸在后，所以我們需要定義一個列表來改變默認的，倒立文字坐標位置
????????pos_arr?=?[]
????????if?len(positions)?==?2:
????????????if?positions[0][1]?>?positions[1][1]:??????????????????????#判斷列表里第一個元祖里的第二個元素如果大于,第二個元祖里的第二個元素
????????????????pos_arr.append([positions[1][1],positions[1][0]])
????????????????pos_arr.append([positions[0][1],?positions[0][0]])
????????????else:
????????????????pos_arr.append([positions[0][1],?positions[0][0]])
????????????????pos_arr.append([positions[1][1],?positions[1][0]])
????????else:
????????????pos_arr.append([positions[0][1],?positions[0][0]])

????????print('處理后的驗證碼坐標',pos_arr)

#?-------------者也驗證碼識別結束--------

????????if?len(pos_arr)?==?2:
????????????data?=?{????????????????????????????????????????????????????????????????????#?設置用戶登錄信息，對應抓包得到字段
????????????????'_xsrf':?response.meta['xsrf'],
????????????????'password':?'279819',
????????????????'captcha':?'{"img_size":[200,44],"input_points":[[%.2f,%f],[%.2f,%f]]}'?%(
????????????????????pos_arr[0][0]?/?2,?pos_arr[0][1]?/?2,?pos_arr[1][0]?/?2,?pos_arr[1][1]?/?2),??#因為驗證碼識別默認是400X88的尺寸所以要除以2
????????????????'captcha_type':?'cn',
????????????????'phone_num':?'15284816568'
????????????}
????????else:
????????????data?=?{????????????????????????????????????????????????????????????????????#?設置用戶登錄信息，對應抓包得到字段
????????????????'_xsrf':?response.meta['xsrf'],
????????????????'password':?'279819',
????????????????'captcha':?'{"img_size":[200,44],"input_points":[[%.2f,%f]]}'?%(
????????????????????pos_arr[0][0]?/?2,?pos_arr[0][1]?/?2),
????????????????'captcha_type':?'cn',
????????????????'phone_num':?'15284816568'
????????????}

????????print('登錄提交數據',data)

????????print('登錄中....!')
????????"""第二次用表單post請求，攜帶Cookie、瀏覽器代理、用戶登錄信息，進行登錄給Cookie授權"""
????????return?[scrapy.FormRequest(
????????????url='https://www.zhihu.com/login/phone_num',????????????????????????#真實post地址
????????????meta={'cookiejar':response.meta['cookiejar']},??????????????????????#接收第傳過來的Cookies
????????????headers=self.header,
????????????formdata=data,
????????????callback=self.next
????????)]

????def?next(self,response):
????????#?請求Cookie
????????Cookie2?=?response.request.headers.getlist('Cookie')
????????print('登錄時攜帶請求的Cookies：',Cookie2)

????????jieg?=?response.body.decode("utf-8")???#登錄后可以查看一下登錄響應信息
????????print('登錄響應結果：',jieg)

????????print('正在請需要登錄才可以訪問的頁面....!')

????????"""登錄后請求需要登錄才能查看的頁面，如個人中心，攜帶授權后的Cookie請求"""
????????yield?Request(
????????????url='https://www.zhihu.com/people/lin-gui-xiu-41/activities',
????????????headers=self.header,
????????????meta={'cookiejar':True},
????????????callback=self.next2
????????)

????def?next2(self,response):
????????#?請求Cookie
????????Cookie3?=?response.request.headers.getlist('Cookie')
????????print('查看需要登錄才可以訪問的頁面攜帶Cookies：',Cookie3)

????????leir?=?response.xpath('/html/head/title/text()').extract()??#得到個人中心頁面
????????print('最終內容',leir)
????????#?print(response.body.decode("utf-8"))
          
        

【轉載自：http://www.lqkweb.com】