教务系统,验证码识别,异步加载,java爬虫06

本文介绍使用Selenium Java环境进行网页爬取的过程,重点演示如何处理带验证码的登录页面及成绩查询功能,并讨论了验证码识别的方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

上一篇介绍了Python的selenium,今天终于把selenium的java环境弄好了.
遇到ajax异步加载的网页还真有点点头疼,普通的爬虫会遇到登录的网页和加载的验证码不一致, 不过selenium还真是神器,可以模拟浏览器,实现加载的网页一致性, 爬取网页无所不能.

环境

selenium3.4的jar包和依赖包下载:
http://pan.baidu.com/s/1jI1ewNc
同时需要PhantomJS.exe,下载地址:
http://phantomjs.org/
给phantomJS配置环境变量:
我直接把phantomJS.exe放到jdk的bin目录下,这样就不用配置了.

本次爬取的网站是湖南青果软件公司做的教务系统
http://bkjw.sxu.edu.cn/

代码

package test;

import java.awt.image.BufferedImage;
import java.io.ByteArrayInputStream;
import java.io.File;
import java.io.IOException;
import java.util.List;
import java.util.Scanner;

import javax.imageio.ImageIO;

import org.openqa.selenium.By;
import org.openqa.selenium.OutputType;
import org.openqa.selenium.TakesScreenshot;
import org.openqa.selenium.WebDriver;
import org.openqa.selenium.WebElement;
import org.openqa.selenium.phantomjs.PhantomJSDriver;

public class Test {
    public static void main(String[] args) throws IOException {
        Scanner input = new Scanner(System.in);

        //获取一个PhantomJS浏览器对象
        WebDriver driver = new PhantomJSDriver();
        //访问官网
        driver.get("http://bkjw.sxu.edu.cn/");

//切换到登录页面       

driver.switchTo().frame(driver.findElement(By.xpath("//iframe[contains(@src,'_data/login.aspx')]")));
//获取验证码
driver.findElement(By.id("txt_sdertfgsadscxcadsads")).click();
        //将验证码写入文件java.png
        byte datas[] = ((TakesScreenshot)driver).getScreenshotAs(OutputType.BYTES);
        BufferedImage image = ImageIO.read(new ByteArrayInputStream(datas));
        BufferedImage bi = image.getSubimage(146, 278, 80, 20);
        ImageIO.write(bi, "png", new File("java.png"));
        //输入验证码
        System.out.println("请输入验证码:");
        String validateCode = input.nextLine();
        //填充参数
        //此处*****填学号
        driver.findElement(By.name("txt_asmcdefsddsd")).sendKeys("*******");
        //此处*****填密码
        driver.findElement(By.name("txt_pewerwedsdfsdff")).sendKeys("******");
        driver.findElement(By.name("txt_sdertfgsadscxcadsads")).sendKeys(validateCode);
        //点击登录
        driver.findElement(By.xpath("//input[contains(@type,\"submit\")]")).click();
        //捕获当前网页
        driver.getWindowHandle();
        //访问成绩页面
        driver.get("http://bkjw.sxu.edu.cn/xscj/Stu_MyScore.aspx");
        //检索成绩
        driver.findElement(By.name("btn_search")).click();
        //获得table元素
        List<WebElement> list = driver.findElements(By.tagName("table"));
        for (WebElement e : list) {
            System.out.println(e.getText());
        }
        //将网页截屏保存
        BufferedImage chengji = ImageIO.read(new ByteArrayInputStream(((TakesScreenshot)driver).getScreenshotAs(OutputType.BYTES)));
        ImageIO.write(chengji, "png", new File("chengji.png"));
        driver.close();
    }
}

爬取的网页不一样,代码也不一样,主要还是掌握抓取元素的思维方式.
selenium的基本操作流程:
1. 访问网页
2. 定位元素
3. 获取元素内容 或者 操作元素

对付验证码,截屏,然后切割图像,获取验证码的部分图像.

这里我们是手动输入验证码,如果需要实现自动识别验证码,主要有两种方式:
第一步都是自己写算法修正验证码( 比较规则的,也可以不用写)
方式1:
通过tessera识别,我之前用过,识别简单规则的还是挺有效果的,不过像这次的教务系统就行不通了

主要步骤如下:

tesseract.exe chi.黑体.exp0.tif chi.黑体.exp0 batch.nochop makebox
运行jTessBoxEditor工具,文字校正。
tesseract chi.黑体.exp0.tif chi.黑体.exp0 nobatch box.train
unicharset_extractor chi.黑体.exp0.box
echo 黑体 0 0 0 0 0 >font_properties.txt
shapeclustering -F font_properties.txt -U unicharset chi.黑体.exp0.tr
mftraining -F font_properties.txt -U unicharset -O chi.unicharset chi.黑体.exp0.tr
cntraining chi.黑体.exp0.tr
rename inttemp chi.inttemp
rename pffmtable chi.pffmtable
rename shapetable chi.shapetable
rename normproto chi.normproto
combine_tessdata chi.


生成文本:
tesseract.exe picture\8.jpg -l eng text\a

方式2:
通过神经网络训练识别模型,我之前做手写数字识别实验,随着训练的次数增加,准确率>99%,而且从目前比如百度,Google图像识别的准确率来看,这种方式识别率毋庸置疑是非常高
不过这种训练方式:
最好是将验证码切割成单个字符的形式,这样降低了识别和训练的难度

如果您下载了本程序,但是该程序无法运行,或者您不会部署,那么您可以选择退款或者寻求我们的帮助(如果找我们帮助的话,是需要追加额外费用的) 爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值