火车票买不到？看我用python监控票源
- 2019 年 11 月 10 日
- 筆記
同时说最近火车票难买，我就帮他用个脚本监控 一下。
最近高铁票比较难买，还有什么候补。要不停的刷，才有时候可以捡漏。有时候明明候补了，到快开车告诉你余票不足，候补失败。
凡事预则立，我打算写个脚本提前两个星期就监控起来，这样就可以提高买到票的几率了。
先是考虑用接口，发现行不通，手动打开页面都OK，就是接口调不到数据。只好曲线救国，用selenium打开页面，用BeautifulSoup来获取页面内容。发现打开页面后，可以直接用数据清洗。大概的代码是这样的：
import time from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.support.select import Select from selenium.webdriver.support.wait import WebDriverWait from bs4 import BeautifulSoup import pandas import arrow Max_Time_Out = 30 Time_Out = 10 sh_to_sz = "18002400" sz_to_sh = "06001200" sh_to_sz_train = "G7026|G7260|G7062|G7226|G7028" sh_station = 'cc_from_station_上海_check' sz_to_sh_train = "D3125|G7001|G7037|G7039" sz_station = 'cc_from_station_苏州_check' time_id = "cc_start_time" now = arrow.now().format('YYYY-MM-DD HH:MM:SS') option = webdriver.ChromeOptions() option.add_argument('disable-infobars') # option.binary_location="/Applications/AppleTools /Google Chrome.app/Contents/MacOS/Google Chrome" option.add_argument('headless') sh_to_sz_url = "https://kyfw.12306.cn/otn/leftTicket/init?linktypeid=dc&fs=%E4%B8%8A%E6%B5%B7,SHH&ts=%E8%8B%8F%E5%B7%9E,SZH&date={}&flag=N,N,Y" sz_to_sh_url = "https://kyfw.12306.cn/otn/leftTicket/init?linktypeid=dc&fs=%E8%8B%8F%E5%B7%9E,SZH&ts=%E4%B8%8A%E6%B5%B7,SHH&date={}&flag=N,N,Y" driver = webdriver.Chrome(chrome_options=option) driver.set_page_load_timeout(Max_Time_Out) def open_page(url): try: driver.get(url) except TimeoutError: print("cannot open the page for {} seconds".format(Max_Time_Out)) driver.execute_script('window.stop()') def find_element(obj): WebDriverWait(driver, Time_Out).until(EC.visibility_of_element_located((By.ID, obj))) element = WebDriverWait(driver, Time_Out).until(lambda x: driver.find_element(By.ID, obj)) return element def type(obj, value): find_element(obj).clear() find_element(obj).send_keys(value) def clickat(obj): WebDriverWait(driver, Time_Out).until(EC.element_to_be_clickable((By.ID, obj))) find_element(obj).click() def toggle_checkbox(station_id): inputs = driver.find_elements_by_tag_name("input") for input in inputs: if input.get_attribute("value") == 'G': input.click() if input.get_attribute("value") == 'D': input.click() if input.get_attribute("id") == station_id: input.click() def get_today(): today = arrow.now() if today.weekday() not in [5, 6]: return today.format('YYYY-MM-DD') def get_next_day(): next_day = arrow.now().shift(days=+1) if next_day.weekday() not in [5, 6]: return next_day.format('YYYY-MM-DD') def get_next_two_monday(): next_two_monday = [arrow.now().shift(days=x).format('YYYY-MM-DD') for x in range(1, 15) if arrow.now().shift(days=x).weekday() == 0] return next_two_monday def get_next_two_friday(): next_two_friady = [arrow.now().shift(days=x).format('YYYY-MM-DD') for x in range(1, 15) if arrow.now().shift(days=x).weekday() == 4] return next_two_friady def select_time(obj, time_zone, station_id): ''' :param driver: :param obj: :return: <select class="select-small" id="cc_start_time"> <option value="00002400">00:00--24:00</option> <option value="00000600">00:00--06:00</option> <option value="06001200">06:00--12:00</option> <option value="12001800">12:00--18:00</option> <option value="18002400">18:00--24:00</option> </select> ''' start_time = find_element(obj) get_start = Select(start_time) get_start.select_by_value(time_zone) toggle_checkbox(station_id) time.sleep(3) def get_trains(url, city_time, station_id, trains): open_page(url) select_time(time_id, city_time, station_id) ht = driver.page_source html_pd = pandas.read_html(ht) pd = html_pd[1] pd3 = pd[pd['车次'].str.contains(trains, na=False)] coloum_list = ["车次", "二等座", "无座"] # print(pd3[coloum_list]) return pd3[coloum_list] if __name__ == "__main__": today = get_today() next_day = get_next_day() mondays = get_next_two_monday() fridays = get_next_two_friday() df_list = [] # next_suzhou_to_shanghai = get_trains(sz_to_sh_url.format(next_day), sz_to_sh, sz_station, sz_to_sh_train) df_list.append(next_suzhou_to_shanghai) today_shanghai_to_suzhou = get_trains(sh_to_sz_url.format(today), sh_to_sz, sh_station, sh_to_sz_train) df_list.append(today_shanghai_to_suzhou) suzhou_to_shanghai_next_monday = get_trains(sz_to_sh_url.format(mondays[0]), sz_to_sh, sz_station, sz_to_sh_train) df_list.append(suzhou_to_shanghai_next_monday) suzhou_to_shanghai_next_next_monday = get_trains(sz_to_sh_url.format(mondays[1]), sz_to_sh, sz_station, sz_to_sh_train) df_list.append(suzhou_to_shanghai_next_next_monday) # shanghai_to_suzhou_next_friday = get_trains(sh_to_sz_url.format(fridays[0]), sh_to_sz, sh_station, sh_to_sz_train) df_list.append(shanghai_to_suzhou_next_friday) shanghai_to_suzhou_next_next_friday = get_trains(sh_to_sz_url.format(fridays[1]), sh_to_sz, sh_station, sh_to_sz_train) df_list.append(shanghai_to_suzhou_next_next_friday) driver.quit()
把自己需要乘坐的车次，日期给设定好，当然我这边主要是要算周五跟周一，监控了两个星期的这两天。设置好定时，给自己发邮件。
然后发邮件，大概样子是这样的：
这样上班的时候，就收到邮件，就可以择机买票了。
现在来聊聊，处理web页面，可能用到哪些库。
python对web的操作常用到的库：请求库，解析库，存储库，工具库
1. 请求库
urllib/re是python默认自带的库
Python内置的Http请求库 urllib.request 请求模块 模拟浏览器 urllib.error 异常处理模块 urllib.parse url解析模块 工具模块，如：拆分、合并 urllib.robotparser robots.txt 解析模块
例子：
超时测试 import urllib.request response =urllib.request.urlopen('http://httpbin.org/get',timeout=1) print(response.read()) -----正常 import socket import urllib.reqeust import urllib.error try: response=urllib.request.urlopen('http://httpbin.org/get',timeout=0.1) except urllib.error.URLError as e: if isinstance(e.reason,socket.timeout): print('TIME OUT') 这是就是输出 TIME OUT
Request 可以添加headers
import urllib.request request=urllib.request.Request('https://python.org') response=urllib.request.urlopen(request) print(response.read().decode('utf-8'))
例子：
from urllib import request,parse url='http://httpbin.org/post' headers={ User-Agent:Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.75 Safari/537.36 Host:httpbin.org } dict={ 'name':'Germey' } data=bytes(parse.urlencode(dict),encoding='utf8') req= request.Request(url=url,data=data,headers=headers,method='POST') response = request.urlopen(req) print(response.read().decode('utf-8'))
代理
import urllib.request proxy_handler =urllib.request.ProxyHandler({ 'http':'http://127.0.0.1:9743', 'https':'http://127.0.0.1:9743', }) opener =urllib.request.build_opener(proxy_handler) response= opener.open('http://httpbin.org/get') print(response.read())
Cookie
import http.cookiejar,urllib.request cookie = http.cookiejar.Cookiejar() handler=urllib.request.HTTPCookieProcessor(cookie) opener = urllib.request.build_opener(handler) response = opener.open('http://www.baidu.com') for item in cookie: print(item.name+"="+item.value)
第一种保存cookie方式
import http.cookiejar,urllib.request filename = 'cookie.txt' cookie =http.cookiejar.MozillaCookieJar(filename) handler= urllib.request.HTTPCookieProcessor(cookie) opener=urllib.request.build_opener(handler) response= opener.open('http://www.baidu.com') cookie.save(ignore_discard=True,ignore_expires=True)
(2) requests
pip3 install requests
(3) selenium
pip3 install selenium
2. 解析库：
2.1 lxml (XPATH)
pip3 install lxml
test, test.html指上述实例
直接读取内容
from lxml import etree html = etree.HTML(test)
直接读取文件
from lxml import etree html = etree.parse(test.html)
2.2 beautifulsoup
pip3 install beautifulsoup4
验证
from bs4 import Beautiful Soupsoup = BeautifulSoup('<html></html>','lxml')
2.3 pyquery（类似jquery语法）
pip3 install pyquery
注意：由于 pyquery 依赖于 lxml ，要先安装 lxml ，否则会提示失败。验证安装结果
from pyquery import PyQuery as pq doc = pq('<html>hi</html>') result = doc('html').text()
有 4 种方法可以进行初始化：可以通过传入 字符串、lxml、文件 或者 url 来使用PyQuery。
from pyquery import PyQuery as pq from lxml import etree d = pq("<html></html>")#传入字符串 d = pq(etree.fromstring("<html></html>"))#传入lxml d = pq(url=‘http://google.com/‘) #传入url d = pq(filename=path_to_html_file) #传入文件
1、.html() 和.text()：获取相应的 HTML 块或者文本内容，
p=pq("<head><title>Hello World!</title></head>") print p(‘head‘).html()# 获取相应的 HTML 块 print p(‘head‘).text()# 获取相应的文本内容
输出：
<title>hello</title>Hello World!
2、.(‘selector‘)：通过选择器来获取目标内容，
d = pq("<div><p id=‘item-0‘>test 1</p><p class=‘item-1‘>test 2</p></div>") print d(‘div‘).html()# 获取 <div> 元素内的 HTML 块 print d(‘#item-0‘).text()# 获取 id 为 item-0 的元素内的文本内容 print d(‘.item-1‘).text()# 获取 class 为 item-1 的元素的文本内容
输出：
<p id="item-0">test 1</p><p class="item-1">test 2</p> test 1 test 2
3、.eq(index)：根据索引号获取指定元素（index 从 0 开始），
d = pq("<div><p id=‘item-0‘>test 1</p><p class=‘item-1‘>test 2</p></div>") print d(‘p‘).eq(1).text()# 获取第二个 p 元素的文本内容，
输出 test 2
4、.find()：查找嵌套元素，
d = pq("<div><p id=‘item-0‘>test 1</p><p class=‘item-1‘>test 2</p></div>") print d(‘div‘).find(‘p‘) # 查找 <div> 内的 p 元素 print d(‘div‘).find(‘p‘).eq(0) # 查找 <div> 内的 p 元素，输出第一个 p 元素
输出：
<p id="item-0">test 1</p><p class="item-1">test 2</p><p id="item-0">test 1</p>
5、.filter()：根据 class、id 筛选指定元素，
d = pq("<div><p id=‘item-0‘>test 1</p><p class=‘item-1‘>test 2</p></div>") print d(‘p‘).filter(‘.item-1‘) # 查找 class 为 item-1 的 p 元素 print d(‘p‘).filter(‘#item-0‘) # 查找 id 为 item-0 的 p 元素
输出：
<p class="item-1">test 2</p> <p id="item-0">test 1</p>
6、.attr()：获取、修改属性值，
d = pq("<div><p id=‘item-0‘>test 1</p><a class=‘item-1‘>test 2</p></div>") print d(‘p‘).attr(‘id‘) # 获取 <p> 标签的属性 id print d(‘a‘).attr(‘class‘,‘new‘)# 修改 <a> 标签的 class 属性为 new
输出：
item-0 <a class="new">test 2</a>
7、其他操作：
.addClass(value)：添加 class； .hasClass(name)：判断是否包含指定的 class，返回 True 或 False； .children()：获取子元素； .parents()：获取父元素； .next()：获取下一个元素； .nextAll()：获取后面全部元素块； .not_(‘selector‘)：获取所有不匹配该选择器的元素； for i in d.items(‘li‘): print i.text()：遍历 d 中的 li 元素；
3. 存储库
3.1 pymysql（操作MySQL，关系型数据库） 安装：
pip3 install pymysql
3.2 pymongo（操作MongoDB，key-value） 安装
pip3 install pymongo
3.3 redis（分布式爬虫，维护爬取队列） 安装：
pip3 install redis
