import time import requests from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.chrome.service import Service from selenium.webdriver.chrome.options import Options from webdriver_manager.chrome import ChromeDriverManager from PIL import Image import io import base64 class SIIScraper: def __init__(self): self.setup_driver() def setup_driver(self): """Configurar el driver de Chrome""" chrome_options = Options() chrome_options.add_argument("--no-sandbox") chrome_options.add_argument("--disable-dev-shm-usage") chrome_options.add_argument("--disable-blink-features=AutomationControlled") chrome_options.add_experimental_option("excludeSwitches", ["enable-automation"]) chrome_options.add_experimental_option('useAutomationExtension', False) # Instalar ChromeDriver automáticamente service = Service(ChromeDriverManager().install()) self.driver = webdriver.Chrome(service=service, options=chrome_options) self.driver.execute_script("Object.defineProperty(navigator, 'webdriver', {get: () => undefined})") def get_captcha_image(self): """Extraer la imagen del captcha""" try: # Buscar la imagen del captcha captcha_img = self.driver.find_element(By.ID, "imgCaptcha") # Obtener la imagen como base64 img_base64 = self.driver.execute_script(""" var canvas = document.createElement('canvas'); var ctx = canvas.getContext('2d'); var img = arguments[0]; canvas.width = img.width; canvas.height = img.height; ctx.drawImage(img, 0, 0); return canvas.toDataURL('image/png').substring(22); """, captcha_img) # Convertir base64 a imagen img_data = base64.b64decode(img_base64) img = Image.open(io.BytesIO(img_data)) # Guardar imagen para inspección manual img.save("captcha_image.png") print("Imagen del captcha guardada como 'captcha_image.png'") return img except Exception as e: print(f"Error al obtener captcha: {e}") return None def solve_captcha_manual(self): """Resolver captcha manualmente (usuario ingresa el valor)""" try: # Obtener imagen del captcha self.get_captcha_image() # Solicitar al usuario que resuelva el captcha print("\n" + "="*50) print("CAPTCHA DETECTADO") print("="*50) print("Se ha guardado una imagen del captcha como 'captcha_image.png'") print("Por favor, abre esta imagen y mira el código del captcha.") print("="*50) captcha_value = input("Ingresa el código del captcha: ").strip() return captcha_value except Exception as e: print(f"Error al resolver captcha: {e}") return None def scrape_sii_data(self, rut_sin_dv="76063822", dv="6", max_attempts=3): """ Scrapear datos del SII Args: rut_sin_dv (str): RUT sin dígito verificador dv (str): Dígito verificador max_attempts (int): Número máximo de intentos """ url = "https://zeus.sii.cl/cvc/stc/stc.html" for attempt in range(max_attempts): try: print(f"\n🔄 Intento {attempt + 1} de {max_attempts}") print(f"🌐 Navegando a: {url}") # Navegar a la página self.driver.get(url) # Esperar a que la página cargue WebDriverWait(self.driver, 10).until( EC.presence_of_element_located((By.ID, "RUT")) ) print("✅ Página cargada exitosamente") # Completar el RUT rut_input = self.driver.find_element(By.ID, "RUT") rut_input.clear() rut_input.send_keys(rut_sin_dv) print(f"✅ RUT ingresado: {rut_sin_dv}") # Completar el dígito verificador dv_input = self.driver.find_element(By.ID, "DV") dv_input.clear() dv_input.send_keys(dv) print(f"✅ DV ingresado: {dv}") # Esperar un momento para que aparezca el captcha time.sleep(2) # Resolver captcha manualmente captcha_code = self.solve_captcha_manual() if not captcha_code: print("❌ No se pudo resolver el captcha") continue # Ingresar el código del captcha captcha_input = self.driver.find_element(By.ID, "txt_code") captcha_input.clear() captcha_input.send_keys(captcha_code) print(f"✅ Captcha ingresado: {captcha_code}") # Hacer clic en el botón de consultar submit_button = self.driver.find_element(By.ID, "bt_aceptar") submit_button.click() print("✅ Formulario enviado") # Esperar a que aparezca el resultado WebDriverWait(self.driver, 10).until( EC.any_of( EC.presence_of_element_located((By.CLASS_NAME, "resultado")), EC.presence_of_element_located((By.CLASS_NAME, "error")), EC.presence_of_element_located((By.ID, "contenido")) ) ) # Esperar un poco más para asegurar que la página se cargue completamente time.sleep(3) # Extraer los datos del resultado result_data = self.extract_result_data() if result_data and "error" not in result_data.lower(): print("✅ Datos extraídos exitosamente") return result_data else: print("❌ Error en la respuesta o captcha incorrecto") if attempt < max_attempts - 1: print("🔄 Reintentando...") time.sleep(2) except Exception as e: print(f"❌ Error en intento {attempt + 1}: {str(e)}") if attempt < max_attempts - 1: print("🔄 Reintentando...") time.sleep(2) print("❌ Se agotaron todos los intentos") return None def extract_result_data(self): """Extraer los datos del resultado""" try: # Obtener todo el HTML de la página de resultado page_source = self.driver.page_source # Buscar diferentes elementos que pueden contener el resultado result_elements = [ "resultado", "contenido", "respuesta", "datos", "informacion", "detalle", "tabla" ] extracted_data = { "html_completo": page_source, "url_actual": self.driver.current_url, "titulo": self.driver.title } # Intentar extraer texto específico try: # Buscar tabla de resultados tables = self.driver.find_elements(By.TAG_NAME, "table") if tables: extracted_data["tablas"] = [] for i, table in enumerate(tables): extracted_data["tablas"].append({ f"tabla_{i}": table.get_attribute("outerHTML") }) # Buscar divs con información divs = self.driver.find_elements(By.TAG_NAME, "div") content_divs = [] for div in divs: text = div.text.strip() if text and len(text) > 10: # Solo divs con contenido significativo content_divs.append(text) extracted_data["contenido_divs"] = content_divs except Exception as e: print(f"Error extrayendo elementos específicos: {e}") return extracted_data except Exception as e: print(f"Error extrayendo datos: {e}") return None def save_result_to_file(self, data, filename="sii_result.html"): """Guardar resultado en archivo""" try: if data and "html_completo" in data: with open(filename, "w", encoding="utf-8") as f: f.write(data["html_completo"]) print(f"✅ Resultado guardado en: {filename}") # También guardar en formato JSON legible import json json_filename = filename.replace(".html", ".json") # Preparar datos para JSON (sin HTML completo para mejor legibilidad) json_data = {k: v for k, v in data.items() if k != "html_completo"} with open(json_filename, "w", encoding="utf-8") as f: json.dump(json_data, f, ensure_ascii=False, indent=2) print(f"✅ Datos estructurados guardados en: {json_filename}") except Exception as e: print(f"Error guardando resultado: {e}") def close(self): """Cerrar el navegador""" if hasattr(self, 'driver'): self.driver.quit() print("🔒 Navegador cerrado") def main(): """Función principal""" scraper = SIIScraper() try: print("🚀 Iniciando scraper del SII...") print("📋 RUT a consultar: 76063822-6") # Realizar scraping result = scraper.scrape_sii_data(rut_sin_dv="76063822", dv="6") if result: print("\n🎉 ¡Scraping completado exitosamente!") # Guardar resultado scraper.save_result_to_file(result) # Mostrar resumen print("\n📊 RESUMEN DEL RESULTADO:") print("="*50) print(f"URL actual: {result.get('url_actual', 'N/A')}") print(f"Título: {result.get('titulo', 'N/A')}") if "contenido_divs" in result: print(f"Elementos de contenido encontrados: {len(result['contenido_divs'])}") for i, content in enumerate(result['contenido_divs'][:3]): # Mostrar solo los primeros 3 print(f" - Contenido {i+1}: {content[:100]}...") if "tablas" in result: print(f"Tablas encontradas: {len(result['tablas'])}") else: print("\n❌ No se pudo completar el scraping") except KeyboardInterrupt: print("\n⏹️ Scraping interrumpido por el usuario") except Exception as e: print(f"\n💥 Error inesperado: {str(e)}") finally: scraper.close() if __name__ == "__main__": main()