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