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 sys
import time
import os
import re
import random
import base64
＃百度ocr模块
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、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id
appKey = 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 = 1004
timeout = 60

# 使用selenium
chrome_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-tips
if 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