Selenium+PhantomJS()+PIL漫画快照
来源:互联网 发布:生产流程优化 编辑:程序博客网 时间:2024/06/01 17:10
Selenium爬取漫画网站保存快照
一.目标网站分析
目标网站:漫画台
目标漫画:斗罗大陆:http://www.manhuatai.com/douluodalu/1.html
目标数据:网站的漫画部分
网站分析:
通过网址我们发现:每一章网址后缀数字不一样。第二章为*.2.html
以此类推。
selenium 可以模拟浏览器操作。我们只要模拟点击下一页按钮就可以翻页前提是读取方式为”单机翻页”如上图标注所示
我们需要做的就是定位到下一页这个标签!
二.关键数据获取
1.拼接url获取每一章的网址存到数组urls中,测试用所以只爬取几页
#获取urls def getUrls(self): urls=[] for i in range(1,3): url='http://www.manhuatai.com/douluodalu/'+str(i)+'.html' urls.append(url) self.log.debug('----待爬取的地址有:' + url) return urls
2.初始化浏览器
#初始化浏览器 def getBrowser(self,urls): browser = webdriver.PhantomJS() #循环获取每一个url for url in urls: try: browser.get(url) except: mylog.error('open the %s failed' %url) browser.implicitly_wait(1) return browser
3.创建文件夹存取每一章的图片,文件夹名通过xpath定位title获取
#创建目录 def createDir(self, dirName): if os.path.exists(dirName): self.log.error('create directory %s failed, hava a same name file or directory' %dirName) else: try: os.makedirs(dirName) except: self.log.error('create directory %s failed' %dirName) else: self.log.info('create directory %s success' %dirName)
#文件夹名cartoonTitle = browser.find_element_by_xpath('/html/body/div[2]/div[1]/h1/strong').text#取标题
4.保存图片
selenium提供了方法,但是这是截取的网页全屏,并不是我们所需要的,我们只想要漫画部分怎么办?
截取全屏:
browser.get_screenshot_as_file(imgName)#截全屏
这里我们要用到另外一个模块 Pillow,他是python的一个图像处理库 个人感觉类似于ps这样的软件,功能丰富,使用简单,具体详细用法大家看下api未安装记得安装.Pillow中最重要的类就是Image。接下来我们直接使用。
1.要想只截取漫画部分,要先定位漫画部分位置。
imgelement = browser.find_element_by_xpath('//*[@id="comiclist"]/div[1]/img')
2.获取定位部分大小
location = imgelement.location # 获取漫画图片部分的x,y轴坐标size = imgelement.size # 获取漫画图片部分的长宽
3.使用Image的crop函数,从截图中再次截取我们需要的区域并保存(不知道为什么获取的图片尺寸有偏差所以我调整了下宽高)
cutrange = (int(location['x']), int(location['y']), int(location['x'] + size['width']+500), int(location['y'] + size['height']+766))ii = Image.open(imgName) # 打开截图newimg = ii.crop(cutrange) # 使用Image的crop函数,从截图中再次截取我们需要的区域newimg.save(imgName)#保存新图片
4.换页保存
还是得定位下一页的标签位置
NextTag = browser.find_element_by_xpath('/html/body/div[4]/div[3]/span[2]')#下一页NextTag.click()#点击事件
大致的流程就是这样子了。
三.结果及源码
结果:
2.源码
爬虫类:
#!/usr/bin/evn python#-*- coding: utf-8 -*-from selenium import webdriverfrom MyLog import MyLog as mylogfrom PIL import Imageimport osimport timeclass GetCartoon(object): def __init__(self): self.log = mylog() self.urls = [] self.startUrl=self.getUrls() #获取urls self.browser = self.getBrowser(self.startUrl) self.saveCartoon(self.browser) self.browser.quit() #获取urls def getUrls(self): urls=[] for i in range(1,3): url='http://www.manhuatai.com/douluodalu/'+str(i)+'.html' urls.append(url) self.log.debug('----待爬取的地址有:' + url) return urls #初始化浏览器 def getBrowser(self,urls): browser = webdriver.PhantomJS() #循环获取每一个url for url in urls: try: browser.get(url) except: mylog.error('open the %s failed' %url) browser.implicitly_wait(1) return browser # 保存图片 def saveCartoon(self, browser): cartoonTitle = browser.find_element_by_xpath('/html/body/div[2]/div[1]/h1/strong').text#取标题 self.createDir(cartoonTitle) #根据标题创建保存目录 os.chdir(cartoonTitle) #切换到当前目录进行保存图片 sumPage = int(self.browser.find_element_by_xpath('/html/body/div[4]/div[3]/select/option[last()]').get_attribute('value'))#取总页数 self.log.info('%s pages ' %str(sumPage)) i = 1 while i<=sumPage: imgName = str(i) + '.png' browser.get_screenshot_as_file(imgName)#截全屏 # 定位漫画部分 imgelement = browser.find_element_by_xpath('//*[@id="comiclist"]/div[1]/img') location = imgelement.location # 获取漫画图片部分的x,y轴坐标 size = imgelement.size # 获取漫画图片部分的长宽 cutrange = (int(location['x']), int(location['y']), int(location['x'] + size['width']+500), int(location['y'] + size['height']+766)) ii = Image.open(imgName) # 打开截图 newimg = ii.crop(cutrange) # 使用Image的crop函数,从截图中再次截取我们需要的区域 newimg.save(imgName) self.log.info('save img %s' %imgName) i=i+1 NextTag = browser.find_element_by_xpath('/html/body/div[4]/div[3]/span[2]')#下一页 NextTag.click()#点击事件 time.sleep(5) self.log.info('save img sccess') #创建目录 def createDir(self, dirName): if os.path.exists(dirName): self.log.error('create directory %s failed, hava a same name file or directory' %dirName) else: try: os.makedirs(dirName) except: self.log.error('create directory %s failed' %dirName) else: self.log.info('create directory %s success' %dirName)if __name__ == '__main__': GC = GetCartoon()
2.日志类
测试类这里不写了等下文章变得又臭又长,大家可以去我的其他文章中找。
四.总结
selenium是一个非常好用的自动化测试工具,更多的功能等着大家自己去发现。我们一般用他进行动态网页爬取,自动化测试,在今天的例子中我们还用另一个处理图片的库“Pillow”(PIL),他的功能也很丰富,在后面的例子我们会用selenium模拟登陆,会用pillow处理验证码,结合tesseract做识别然后模拟登陆,敬请期待。
- Selenium+PhantomJS()+PIL漫画快照
- selenium phantomjs
- selenium+phantomjs
- Selenium+phantomJS
- 使用phantomjs生成网站快照
- phantomjs + selenium headless test
- selenium + PhantomJS 操作
- 爬虫利器:Selenium+PhantomJS
- 使用selenium+phantomjs
- phantomjs+selenium+python爬虫
- Scrapy+Selenium+Phantomjs Demo
- python+selenium+phantomjs 踩坑
- Selenium + phantomjs使用总结
- python selenium phantomjs学习
- 安装Selenium&PhantomJS
- 爬虫-08-selenium & phantomjs
- Python3+phantomjs+selenium配置
- Selenium 与PhantomJS
- 验证 Swarm 数据持久性
- 设置npm的registry几种方法
- Linux基本命令二
- Android函数响应式编程——必学的RxJava转换操作符toList、toSortedList、toMap
- 几个软件安装与环境配置的网址收藏
- Selenium+PhantomJS()+PIL漫画快照
- 《OpenCV3编程入门》学习笔记一:邂逅OpenCV
- Thread 中的run() 与start() 方法
- 教大家一个关于使用微信投票刷票器免费版及微信投票刷票软件手机版的操作方式
- 使用2to3.py转换python2代码到python3
- 15.Linux多线程编程
- java关于并发的总结之二
- 通过METAMASK调试和发布智能合约指南》
- python几种编译器使用