华为云照片的爬虫程序更新(python3.6)，,一、背景：每年终都有

一、背景：

每年终都有一个习惯，就是整理资料进行归档，结果发现手机照片全备份在华为云里，在官网上找了一圈，没找到官方的pc工具用来同步照片。

于是找出上次写的程序，看看能不能爬到数据，然而……果然不好用。因为华为在登录上又增加了一些验证机制，譬如：账号保护

抓了一下报文，发现逻辑变复杂了很多，部分逻辑还封装在js里。

算了，懒得琢磨了，直接用selenium吧。

二、实现思路：

1、用Python + selenium +浏览器 ，人工登录，保存cookie及签名信息。

2、再调用requests加第一步保存的cookie和前面，直接向后台发post请求，获取数据。

思路确定，开干。

三、开发环境：

1、python3.6，在最近的一个项目中由于多次遇到中文问题，实在是烦不胜烦，所以就把开发工具升级到了py3，确实方便多了。

说到py2升到py3，虽然还是有些写法调整，有些包在py3下不支持，但总体来说，迁移很平稳，写法问题，百度一下基本就可以解决。

我用的Anaconda的python包。

3.6.3 |Anaconda custom (64-bit)| (default, Oct 15 2017, 03:27:45) [MSC v.1900 64 bit (AMD64)]Python Type "help", "copyright", "credits" or "license" for more information.

2、selenium3.9.0，用conda现安装的。

conda install selenium 

3、浏览器，试用了firefox，edge，chrome，phantomjs，分别版本如下：

firefox： 58.0.2 (64 位）edge： Microsoft Edge 41.16299.248.0 ，Microsoft Edge 41.16299.248.0chrome： 版本 63.0.3239.132（正式版本） （32 位）phantomjs： 2.1.1 另外，操作系统：Microsoft Windows [版本 10.0.16299.248]

4、浏览器驱动：

firefox驱动，https://github.com/mozilla/geckodriver/releases/，支持Firefox 55及以上版本。

edge驱动，https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/#downloads，最新版本Release 16299，Version: 5.16299，支持 Edge version supported: 16.16299 。注意edge驱动只有在edge浏览器未启动的情况下才能正常运行，否则会报错。

chrome驱动，https://sites.google.com/a/chromium.org/chromedriver/downloads，这里需要注意的是：最新版本是2.35（不是2.9），2.35才支持chrome 61-63版本。

phantomjs，http://phantomjs.org/download.html，phantomjs可以理解成没有界面的浏览器，所以驱动跟浏览器是一体的。

驱动版本一定要选对，否则会有奇奇怪怪的问题。

四、实现代码

huaweiphoto_sele.py，如下：

#-*-coding=utf-8-*-#Create by : Joshua zou #Create Date : 2018.2.28from selenium import webdriverfrom selenium.webdriver.common.desired_capabilities import DesiredCapabilitiesfrom selenium.webdriver.common.proxy import ProxyTypefrom selenium.webdriver.support.ui import WebDriverWaitfrom selenium.webdriver.support import expected_conditions as ECfrom selenium.webdriver.common.by import Byfrom PIL import Imageimport json,re,os,time,requests,socket#下载函数from  huaweiphoto_py3_new import HuaWeiclass hwSele:    SeleBrowser=None    TimeOUT=30    Headers=None    Username=‘*****‘    Passwd=‘****‘    DriverType="Edge".lower()    def __init__(self,ip=None,port=None,SeleDriver="Edge",SeleHeader=None):                print (u‘proxy %s %s...‘ %(ip,port))        if not SeleHeader :            self.Headers = "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:56.0) Gecko/20100101 Firefox/56.0"        else:            self.Headers = SeleHeader                if SeleDriver:             self.DriverType= SeleDriver.lower()                #加代理的目的是为了更便于抓报文。        if self.DriverType==‘chrome‘ :            chromeOptions = webdriver.ChromeOptions()            if ip:                chromeOptions.add_argument(‘--proxy-server=http://%s:%s‘ %(ip,port))                  self.SeleBrowser = webdriver.Chrome(chrome_options=chromeOptions)            else:                self.SeleBrowser = webdriver.Chrome()        #DriverType=‘Edge‘        elif self.DriverType==‘phantomjs‘:            #设置userAgent            dcap = dict(DesiredCapabilities.PHANTOMJS)            dcap["phantomjs.page.settings.userAgent"] = (self.Headers)                self.SeleBrowser = webdriver.PhantomJS(executable_path=r‘D:\python\toupiao\phantomjs\bin\phantomjs.exe‘,desired_capabilities=dcap)            if ip:                proxy=webdriver.Proxy()                proxy.proxy_type=ProxyType.MANUAL                proxy.http_proxy=‘%s:%s‘ %(ip,port)                            proxy.add_to_capabilities(webdriver.DesiredCapabilities.PHANTOMJS)            else:                self.SeleBrowser.start_session(webdriver.DesiredCapabilities.PHANTOMJS)        elif self.DriverType==‘edge‘:            self.KillSeleProc() #edge，默认先kill掉已启动的浏览器。            self.SeleBrowser = webdriver.Edge()        elif self.DriverType==‘firefox‘:            webdriver.DesiredCapabilities.FIREFOX[‘firefox.page.settings.userAgent‘] = self.Headers            profile = webdriver.FirefoxProfile()            if ip:                 profile.set_preference(‘network.proxy.type‘, 1)  # 默认值0，就是直接连接；1就是手工配置代理。                  profile.set_preference(‘network.proxy.http‘, ip)                  profile.set_preference(‘network.proxy.http_port‘, port)                  profile.set_preference(‘network.proxy.ssl‘, ip)                  profile.set_preference(‘network.proxy.ssl_port‘, port)                profile.update_preferences()                  self.SeleBrowser = webdriver.Firefox(profile)            else:                self.SeleBrowser = webdriver.Firefox()                socket.setdefaulttimeout(self.TimeOUT)         # 设置10秒页面超时返回，类似于requests.get()的timeout选项，driver.get()没有timeout选项          # 以前遇到过driver.get(url)一直不返回，但也不报错的问题，这时程序会卡住，设置超时选项能解决这个问题。          self.SeleBrowser.set_page_load_timeout(self.TimeOUT)          # 设置10秒脚本超时时间        self.SeleBrowser.set_script_timeout(self.TimeOUT)        # 隐式等待30秒，可以自己调节         self.SeleBrowser.implicitly_wait(self.TimeOUT)    def KillSeleProc(self):        if self.DriverType==‘edge‘:            command = ‘taskkill /F /IM MicrosoftWebDriver.exe & taskkill /F /IM MicrosoftEdge.exe‘            #比如这里关闭edge进程        elif self.DriverType==‘chrome‘:            command = ‘taskkill /F /IM chromedriver.exe & taskkill /F /IM chrome.exe‘        elif self.DriverType==‘firefox‘:            command = ‘taskkill /F /IM geckodriver.exe & taskkill /F /IM firefox.exe‘        elif self.DriverType=="phantomjs":            command = ‘taskkill /F /IM phantomjs.exe ‘        if command: os.system(command)                        def QuitSele(self,e,mess=None,iRet= -1):        print (mess,e)                if self.SeleBrowser:             self.SeleBrowser.save_screenshot(‘error.png‘)            self.SeleBrowser.close()        self.KillSeleProc()        return iRet            def LoginHW(self):        ‘‘‘        try:            element = WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.ID, "loadedButton")))        finally:            print(driver.find_element_by_id("content").text)            driver.close()                    #等待页面加载完毕1，显示等待        try:                        auth_img = WebDriverWait(self.SeleBrowser, 5).until(EC.presence_of_element_located((By.ID, "randomCodeImg")))              except Exception as e:             print (u‘加载验证码超时...‘,e)            SeleBrowser.save_screenshot(r‘d:\python\toupiao\error.jpg‘)            self.SeleBrowser.close()            return -1                                 #等待页面加载完毕2，隐式等待        dr=WebDriverWait(self.SeleBrowser,20,0.5)        dr.until(lambda the_driver:the_driver.find_element_by_xpath("//img[@id=‘randomCodeImg‘]").is_displayed())               ‘‘‘        try:            self.SeleBrowser.get(‘http://cloud.huawei.com‘)        except Exception as e:              return self.QuitSele(e,"打开主页出错！")                try:            #等待页面加载完毕            dr=WebDriverWait(self.SeleBrowser,self.TimeOUT,0.5)            dr.until(lambda the_driver:the_driver.find_element_by_id("randomCodeImg").is_displayed())                except Exception as e:            return self.QuitSele(e,"加载验证码超时！")        elem_user = self.SeleBrowser.find_element_by_id("login_userName")        elem_user.clear()        elem_user.send_keys(self.Username)                elem_pwd =  self.SeleBrowser.find_element_by_id("login_password")        elem_pwd.clear()        elem_pwd.send_keys(self.Passwd)                auth_img = self.SeleBrowser.find_element_by_id("randomCodeImg")        if not auth_img.is_displayed() :            if not auth_img.is_displayed():                return self.QuitSele(e,"验证码未正常显示！")                if self.DriverType==‘firefox‘:            #firefox驱动支持直接 元素另存图片            auth_img.screenshot("captcha.png")            im = Image.open(‘captcha.png‘)        else:            #chrome ,edge 都不支持,phantomjs存的还是整个窗口            self.SeleBrowser.save_screenshot(‘captcha.png‘)              im = Image.open(‘captcha.png‘)            x= eval(auth_img.get_attribute("x"))            y= eval(auth_img.get_attribute("y"))            width= eval(auth_img.get_attribute("width"))            height= eval(auth_img.get_attribute("height"))            im = im.crop((x, y, x+width, y+height))        #这里采用最原始、最准确的方法：显示图片，人工识别^_^，智能输入验证码。        #当然也可以调用三方的图像识别api进行识别，譬如pytesseract或者鹅厂的图像识别api，不复杂，但懒得写了。        im.show()        authCode= input(u‘请输入验证码:‘)                # 先获取焦点，再赋值，再点击登录        ‘‘‘        js= ‘$("#randomCode").attr("value","%s");$("#randomCode").trigger("onchange");‘ %authCode        self.SeleBrowser.execute_script(js)                js= ‘$("#btnLogin").trigger("click");‘         self.SeleBrowser.execute_script(js)          ‘‘‘        randomCode = self.SeleBrowser.find_element_by_id("randomCode")        randomCode.clear()        randomCode.send_keys(authCode)                #休息五秒，等待完成后台预验证交互        time.sleep(5)                btnLogin = self.SeleBrowser.find_element_by_id("btnLogin")        btnLogin.click()                    #账号保护有时候会提示        ‘‘‘        <div class="global_dialog_confirm_main" style="display: block; margin-top: -163.5px;">        <div class="global_dialog_confirm_title">         <h3 class="ellipsis" title="帐号保护">帐号保护</h3>    </div>            <div class="global_dialog_confirm_content" style="padding-bottom: 0px;"><div>        <div id="authenDialog"><p class="inptips2">您已开启帐号保护，请输入验证码以完成登录。</p>        <div class="margin10-EMUI5"><div id="accountDiv" class="fixAccountDrt ddrop-EMU5">                ‘‘‘        try :            #loginConfirm = self.SeleBrowser.find_element_by_class_name("global_dialog_confirm_main")            loginConfirm =WebDriverWait(self.SeleBrowser, 5, 0.5).until(EC.presence_of_element_located((By.CLASS_NAME, ‘global_dialog_confirm_main‘) ))                              #需要验证，这块懒得实现了，休眠60秒，手动操作吧。            if loginConfirm.is_displayed():                time.sleep(self.TimeOUT*2)        except:            #不需要验证，直接下一步            pass                        #等待页面加载完毕        ‘‘‘        <span class="index-span" data-bind="lang.common.album">图库</span>        ‘‘‘        try :            #loginConfirm = self.SeleBrowser.find_element_by_class_name("global_dialog_confirm_main")            success =WebDriverWait(self.SeleBrowser, 20, 0.5).until(EC.presence_of_element_located((By.XPATH, ‘//span[@data-bind="lang.common.album"]‘) ))                          except Exception as e:            #登录失败            return self.QuitSele(e,"登录失败！",iRet=-999)                #判断登录结果        if not success.is_displayed(): return self.QuitSele(None,"登录失败！",iRet=-999)             #再次判断，增加一次意外处理        source_code =self.SeleBrowser.page_source        if ‘联系人‘ not in source_code or ‘图库‘ not in source_code :             return self.QuitSele(None,"登录失败！",iRet = -9999 )        cookie = [item["name"] + "=" + item["value"] for item in self.SeleBrowser.get_cookies()]          cookiestr = ‘;‘.join(item for item in cookie)        #保存CSRFToken        pattern = re.compile(‘CSRFToken = "(.*?)"‘,re.S)                content = re.search(pattern,source_code)        if content :            CSRFToken = content.group(1)        else :            print (‘获取CSRFToken出错！‘)        self.Headers={            ‘User-Agent‘: ‘%s‘ %self.Headers,            ‘CSRFToken‘: ‘%s‘ %CSRFToken,            ‘Cookie‘: ‘%s‘ %cookiestr        }        return 1             if __name__ == ‘__main__‘:    photohw= HuaWei()    count =0     while (count <100):        count += 1        selehw= hwSele(SeleDriver=‘edge‘)        iRet = selehw.LoginHW()        if iRet !=1:            print( ‘登录华为失败！！！\n\n‘)            continue                photohw.loginHeaders = selehw.Headers         page = photohw.getAlbumList()        if page==‘‘ :            print( ‘获取到相册列表失败！！！\n\n‘)            break        #保存相册列表        iRet = photohw.getFileList(page,‘albumList‘,‘albumId‘)        if iRet <=0 :            print(‘保存相册出错，重新登录‘)            continue        #保存公共相册列表        iRet = photohw.getFileList(page,‘ownShareList‘,‘shareId‘)        if iRet ==0 :            print(‘运行结束，可以用迅雷打开相册文件进行批量下载到本地！！！\n\n‘)            #运行结束            selehw.QuitSele(None)            break        else:            continue  

huwweiphoto_py3.py如下：

# -*- coding=utf-8 -*-# Create by : Joshua zou # Create date : 2018.2.28__author__=‘joshua zou‘import jsonimport requestsfrom requests.adapters import HTTPAdapterimport htmlclass HuaWei:    #华为云服务登录    def __init__(self):        self.getalbumsUrl= ‘https://www.hicloud.com/album/getCloudAlbums.action‘        self.getalbumfileUrl = ‘https://www.hicloud.com/album/getCloudFiles.action‘        self.loginHeaders = { }        self.SReq=requests.session()        self.SReq.mount(‘http://‘, HTTPAdapter(max_retries=3))        self.SReq.mount(‘https://‘, HTTPAdapter(max_retries=3))        self.OnceMaxFile=100 #单次最大获取文件数量        self.FileNum=0        self.AlbumList={}        #保存相册照片地址到文件 ,不同相册保存到不同的文件    def saveFileList2Txt(self,filename,hjsondata,flag):        if len(hjsondata)<= 0 : return -1        hjson2 = {}        try:            hjson2 = json.loads(hjsondata)        except:            print(‘获取相册明细出错\n‘)            return -1                lfilename = filename+u".txt"        if flag == 0 : #新建文件            print( u‘创建相册文件‘+lfilename+"\n")            #新建文件，代表新的相册重新开始计数            self.FileNum = 0            f = open(lfilename, ‘w‘)        else: #追加文件            f = open(lfilename, ‘a‘)        i = 0                     if hjson2.get("fileList"):            for each in hjson2["fileList"]:                fileurl= html.unescape(hjson2["fileList"][i]["fileUrl"])                f.write(fileurl+"\n")                #每一千行分页                self.FileNum += 1                if self.FileNum%1000 ==0 :f.write(‘\n\n\n\n\n\n--------------------page %s ------------------\n\n\n\n\n\n‘ %(int(self.FileNum/1000)))                i += 1        f.close()        return i        #循环读取相册文件    def getFileList(self,hjsondata,parentkey,childkey):        #step 3 getCoverFiles.action,循环取相册文件列表，单次最多取100条记录。        #每次count都是最大数量49，不管实际数量是否够，每次currentnum递增，直到返回空列表。        #albumIds[]=default-album-2&ownerId=220086000029851117&height=300&width=300&count=49&currentNum=0&thumbType=imgcropa&fileType=0        #albumIds[]=default-album-1&ownerId=220086000029851117&height=300&width=300&count=49&currentNum=49&thumbType=imgcropa&fileType=0        #albumIds[]=default-album-1&ownerId=220086000029851117&height=300&width=300&count=49&currentNum=98&thumbType=imgcropa&fileType=0        #albumIds[]=default-album-2&ownerId=220086000029851117&height=300&width=300&count=49&currentNum=101&thumbType=imgcropa&fileType=0        #最后一次返回 空列表        #{"albumSortFlag":true,"code":0,"info":"success!","fileList":[]}        #第一次取文件时，例如文件总数量只有2个，count也是放最大值49。        #albumIds[]=default-album-102-220086000029851117&ownerId=220086000029851117&height=300&width=300&count=49&currentNum=0&thumbType=imgcropa&fileType=0                #[{u‘photoNum‘: 2518, u‘albumName‘: u‘default-album-1‘, u‘iversion‘: -1, u‘albumId‘: u‘default-album-1‘, u‘flversion‘: -1, u‘createTime‘: 1448065264550L, u‘size‘: 0},        #{u‘photoNum‘: 100, u‘albumName‘: u‘default-album-2‘, u‘iversion‘: -1, u‘albumId‘: u‘default-album-2‘, u‘flversion‘: -1, u‘createTime‘: 1453090781646L, u‘size‘: 0}]                try:            hjson = json.loads(hjsondata)        except Exception:            print (‘加载json出错!‘)            return -1                #字典获取出错        if not hjson.get(parentkey):            print (‘加载json根节点[%s]出错!‘ %parentkey)            return -1                #初始化全局 albumlist        if not self.AlbumList :            self.AlbumList=hjson                for idx,album in enumerate(self.AlbumList[parentkey]):            if ‘currentNum‘ not in self.AlbumList[parentkey][idx].keys():                self.AlbumList[parentkey][idx][‘currentNum‘]=0                        #循环保存相册        for each in hjson[parentkey]:            #该相册已经进入记录                            paraAlbum={}            paraAlbum[‘albumIds[]‘] = each[childkey]            paraAlbum[‘ownerId‘] = hjson[‘ownerId‘]            paraAlbum[‘height‘] = ‘300‘            paraAlbum[‘width‘] = ‘300‘            paraAlbum[‘count‘] = self.OnceMaxFile            paraAlbum[‘thumbType‘] = ‘imgcropa‘            paraAlbum[‘fileType‘] = ‘0‘                        itotal= each[‘photoNum‘]                        #取当前节点的当前记录            for idx,album in enumerate(self.AlbumList[parentkey]):                if each[childkey]==album[childkey]:                    icurrentnum = self.AlbumList[parentkey][idx][‘currentNum‘]                     break                        #保存相册中所有文件            while icurrentnum<itotal:                                paraAlbum[‘currentNum‘] = icurrentnum                response=self.SReq.post(self.getalbumfileUrl,headers=self.loginHeaders,data=paraAlbum,verify=False)                page = response.text                #保存下载地址到文本文件中，但不下载文件                iret  = self.saveFileList2Txt(each[childkey],page,icurrentnum)                if iret >0 :                    self.AlbumList[parentkey][idx][‘currentNum‘]  += iret                     icurrentnum = self.AlbumList[parentkey][idx][‘currentNum‘]                 else:                    #出错！！！                    return -1                   return 1    #step 1 getCloudAlbums,取相册列表    def getAlbumList(self):        response=self.SReq.post(self.getalbumsUrl,headers=self.loginHeaders,verify=False)        page=response.text        ‘‘‘#返回报文        {"ownerId":"220086000029851117","code":0,        "albumList":[{"albumId":"default-album-1","albumName":"default-album-1","createTime":1448065264550,"photoNum":2521,"flversion":-1,"iversion":-1,"size":0},                     {"albumId":"default-album-2","albumName":"default-album-2","createTime":1453090781646,"photoNum":101,"flversion":-1,"iversion":-1,"size":0}],        "ownShareList":[{"ownerId":"220086000029851117","resource":"album","shareId":"default-album-102-220086000029851117","shareName":"微信","photoNum":2,"flversion":-1,"iversion":-1,"createTime":1448070407055,"source":"HUAWEI MT7-TL00","size":0,"ownerAcc":"****","receiverList":[]}],        "recShareList":[]}‘        ‘‘‘        if len(page)<=0 :            print( u‘取相册列表出错，无返回报文!!!\n\n‘)        return page

以上，--End --

华为云照片的爬虫程序更新(python3.6)