selenium+云打码+百度ocr爬取360的电话号码标记

  写了个脚本，用于从www.so.com 上查询电话号码的标记情况，记录下号码所属公司、标记类型、标记人数（如果存在）。如下图红框中的信息。主要使用python的beautifulsoup和selenium，还用到了云打码平台（固定ip频繁查询后会被360要求输入验证码，需要收费，1分钱1个码）和百度OCR（360的查询结果中，所属公司是图片形式，因此需要文字识别，每天50000张以下免费）。约4-8秒处理一个号码，只能单进程（多进程啥的无意义，毕竟固定ip只有一个）。我们用来处理9000个号码，0点开始，大约10点结束。（python3.7.2）


  云打码平台：http://www.yundama.com/apidoc/YDM_SDK.html#demo
  百度OCR：https://ai.baidu.com/sdk#ocr

  1、需要用到的模块

#-*- coding: UTF-8 -*-import sysimport timeimport osimport reimport randomimport base64＃百度ocr模块from aip import AipOcrimport datetimefrom ctypes import *from selenium import webdriverfrom pyquery import PyQuery as pqfrom bs4 import BeautifulSoupfrom selenium.webdriver.common.keys import Keysfrom selenium.webdriver.common.action_chains import ActionChainsdefault_encoding = 'utf-8'if sys.getdefaultencoding() != default_encoding:    reload(sys)    sys.setdefaultencoding(default_encoding)

  2、准备工作

# 调用云打码api，需要提供账号id、api key、用户名、密码、识别类型、超时时间# 注意指定云打码的dll文件路径YDMApi = windll.LoadLibrary('C:\\phone\\yundamaAPI-x64.dll')appId = 账号idappKey = b'api key'username = b'用户名'password = b'密码'# 1004表示识别类型是4个字母或数字codetype = 1004timeout = 60# 使用seleniumchrome_options = webdriver.ChromeOptions()# 使用最高权限模式，并使用无图形化界面模式chrome_options.add_argument("--no-sandbox")chrome_options.add_argument('--headless')browser=webdriver.Chrome(chrome_options=chrome_options)# 窗口最大化，无图形化模式下不用browser.maximize_window()# 先打开360的查询页面url='https://www.so.com/s?q=021'browser.get(url)

  3、查询号码，这里只用1个号码举例，批量查询可以用循环

phone=号码# 中间有些sleep是为了保证运行不出错，可以适当再调快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)    # 输入号码    sousuokuang.send_keys(phone)    time.sleep(0.5)    # 点击搜索按钮    browser.find_element_by_id("su").submit()    time.sleep(random.uniform(0.5,1.3))    # 试图定位验证码控件，如果定位失败，进入except，如果定位成功（说明有验证码），则进入else    yanzhengma=browser.find_element_by_id("img")except:    # 没有验证码，查询成功，进入结果页面    pass

  4、有验证码的情况，尝试云打码

else:    # 如果有验证码，先点击验证码图片（图片要先点击一次才会显示验证码）    time.sleep(0.3)    ActionChains(browser).click(yanzhengma).perform()    time.sleep(0.3)    # 将验证码图片保存到本地（号码.png）    yanzhengma.screenshot("c:\\phone\\%s.png" % phone)    # 进行云打码（参考云打码文档）    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)    # 验证码数据解码获取    shuruma=(result.value).decode('gbk')    # 定位验证码输入框    shurukuang=browser.find_element_by_name("rcode")    time.sleep(0.3)    # 输入验证码并点击按钮    shurukuang.send_keys(shuruma)    time.sleep(0.3)    browser.find_element_by_class_name("btn").submit()    # 删除验证码图片    os.remove('c:\\phone\\%s.png' % phone)finally:    # 读取网页内容并初始化    html=browser.page_source    data=str(pq(html))

  5、百度OCR准备工作（如果号码有所属公司标记，公司名称是图片格式，需要识别）

# 读取需要ocr识别的图片def get_file_content(filePath):    with open(filePath, 'rb') as fp:        return fp.read()# 百度ocr需要有appid、apikey、秘钥，调用函数APP_ID = 'appid'API_KEY = 'API key'SECRET_KEY = '秘钥'client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

  6、网页内容解析，找出标记类型和标记数量

# 页面信息分析soup = BeautifulSoup(data,"lxml")# 查找class名为mohe-tips的div标签soup_div=soup.find('div',{'class':"mohe-tips"})# 如果有mohe-tipsif soup_div!=None:    # 进一层查找span标签    soup_spans=soup_div.findAll('span')    # 如果有2个span标签（有标记的号码，正常情况都是2个span）    if len(soup_spans)==2:        # 第1个span是号码标记（骚扰电话、中介等，用state变量）        state=soup_spans[0].getText().replace('\t','').replace('\n','').replace(' ','')        # 第2个span是标记数，有的号码可能没有，就标为0（用num变量）        try:            num=soup_spans[1].find('b').getText()        except:            num=0        else:            pass    # 如果进一层查找结果span标签有1个（第一种特殊情况）    else:        # 重新查找class名为mohe-tips mh-ws-hy的div标签        soup_div=soup.find('div',{'class':"mohe-tips mh-ws-hy"})        # 如果查找结果不为空        if soup_div!=None:            # 再进一层查找span标签            soup_spans=soup_div.findAll('span')            # 第1个span是号码标记            state=soup_spans[0].getText().replace('\t','').replace('\n','').replace(' ','')            # 第2个span是标记数，有的号码可能没有，就标为0            try:                num=soup_spans[1].find('b').getText()            except:                num=0            else:                pass        # 如果进一层查找结果为空，则表示该号码无标记        else:            num=u'0'            state=u'无'# 如果没有mohe-tips标签，第二种特殊情况else:    # 直接查找class名为mohe-tips mh-ws-hy的div标签    soup_div=soup.find('div',{'class':"mohe-tips mh-ws-hy"})    # 如果查找结果不为空    if soup_div!=None:        # 进一层查找span标签        soup_spans=soup_div.findAll('span')        # 第1个span是号码标记        state=soup_spans[0].getText().replace('\t','').replace('\n','').replace(' ','')        # 第2个span是标记数，有的号码可能没有，就标为0        try:            num=soup_spans[1].find('b').getText()        except:            num=0        else:            pass    #如果进一层查找结果为空，则表示该号码无标记    else:        num=u'0'        state=u'无'

  7、网页内容解析，识别所属公司

# 查找有无class名为mh-hy-img的img控件soup_img=soup.find('img',{'class':"mh-hy-img"})try:    # 尝试把img控件的前缀_'data:image/png;base64,'给删除    img_src=soup_img.get("src").replace(_'data:image/png;base64,','')except:    # 如果删除失败，就表示没有所属公司标记，就标记为无（用company变量）    company=u'无'else:    # 如果有img控件，就把图片保存到本地    f = open('c:\\phone\\%s.png' % phone,'wb')    f.write(base64.b64decode(img_src))    f.close()    # 读取本地图片，通过百度ocr识别，并把图片删除    image = get_file_content('c:\\phone\\%s.png' % phone)    company=client.basicGeneral(image)['words_result'][0]['words']    os.remove('c:\\phone\\%s.png' % phone)# 在没有mh-hy-img的img控件情况下，有一种特殊情况if soup_img==None:     # 查找有无class名为mohe-tips mh-hy的strong控件    soup_strong=soup.find('strong',{'class':"mohe-tips mh-hy"})    try:        # 进一步查找有无img控件        soup_img=soup_strong.find('img')        img_src=soup_img.get("src").replace(_'data:image/png;base64,','')    except:        # 如果没有img控件，公司标记为无        company=u'无'    else:        # 有img控件，就把图片识别处理并删除        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、输出结果

print phone,state,num,company