爬虫技术-验证码处理

验证码反爬虫

1. 简介

​ 我们在浏览网站的时候经常会遇到各种各样的验证码，在多数情况下这些验证码会出现在登录账号的时候，也可能会出现在访问页面的过程中，严格来说，这些行为都算验证码反爬虫。

样例：https://my.cnki.net/Register/CommonRegister.aspx?returnUrl=https://www.cnki.net

1.1 验证码得作用

它有什么用呢？当然很多用处，如：

• 网站注册的时候加上验证码，可以一定程度上防止恶意大批量注册。
• 网站登录的时候加上验证码，可以一定程度上防止恶意密码爆破。
• 网站在发表评论的时候加上验证码，可以在一定程度上防止恶意灌水。
• 网站在投票的时候加上验证码，可以在一定程度上防止恶意刷票。
• 网站在被频繁访问的时候或者浏览行为不正常的时候，一般可能是遇到了爬虫，可以一定程度上防止爬虫的爬取。

总的来说呢，以上的行为都可以称之为验证码反爬虫行为。使用验证码可以防止各种可以用程序模拟的行为。有了验证码，机器要想完全自动化执行就会遇到一些麻烦，当然这个麻烦的大小就取决于验证码的破解难易程度了。

2. 图形验证码

2.1 逆向目标

• 首页：http://app.gjzwfw.gov.cn/jmopen/webapp/html5/hnsbswdcx/index.html
• 目标：图形验证码

2.2 逆向分析

2.2.1 图形验证码组成

地址：http://app.gjzwfw.gov.cn/jmopen/verifyCode.do?width=100&height=55&random=0.9567858374678466

彩色图像通常由多种颜色组成，几乎所有颜色都可以由三种原色（红色，绿色和蓝色）生成,即RGB图像。

查看RGB: https://www.office26.com/rgb.html

import random
from PIL import Image, ImageDraw, ImageFont

width, height, font_size, font_num = 300, 100, 48, 5
bg_color = (random.randint(0, 255), random.randint(0, 255), random.randint(0, 255)) # 背景颜色
image = Image.new(mode='RGB', size=(width, height), color=bg_color) # 画布
draw = ImageDraw.Draw(image, mode='RGB')     # 绘图类
font = ImageFont.truetype("C:/Windows/Fonts/Arial.ttf", font_size)  # 字体
verify = str()
for i in range(font_num):
    x = random.randint(i * (width / font_num), (i + 1) * (width / font_num) - font_size)
    y = random.randint(0, height - font_size)
    char = random.choice([chr(alpha) for alpha in range(65, 91)] + [str(num) for num in range(10)]) # 随机参数拼接给verify
    verify += char
    color = (random.randint(0, 255), random.randint(0, 255), random.randint(0, 255))
    draw.text((x, y), char, fill=color, font=font)
print(verify)
image.show()

1. Image模块中的new()函数，创建一张图片(画布)，用于绘图。

2. 传入3个参数，画布的模式(RGB表示真彩图片)、尺寸和颜色，画布的颜色就是验证码中的背景颜色。

3. 实例化一个ImageDraw类的对象draw，执行绘图。对象draw调用对应的方法执行绘图，使用draw对象将验证码中的字符画在画布

2.2.2 验证码返回

• 可以采用flask框架返回对应的数据

from flask import Flask, Response, make_response
import xl_tests
data = []
app = Flask(__name__)
@app.route('/')
def index():
    text,img = xl_tests.get_image()
    data.append(text)
    print(data)
    data.clear()
    resp = make_response(img)
    resp.content_type = "image/png"
    return resp

if __name__ == '__main__':
    app.run()

2.2.3 验证码识别

开源地址:https://github.com/sml2h3/ddddocr

import ddddocr
ocr = ddddocr.DdddOcr()
with open("verifyCode.png", 'rb') as f:
    img_bytes = f.read()
red = ocr.classification(img_bytes)
print(red)

3. 图像处理pillow

3.1 简介

​ Python Imaging Library（简称：PIL）是一个基于 Python 的图像处理库，这个库提供了广泛的文件格式支持、高效的内部表示和相当强大的图像处理能力。旨在快速访问几种基本像素格式存储的数据，为通用图像处理工具提供坚实的基础

官网：https://pillow.readthedocs.io/en/stable/reference/Image.html

3.2 使用

3.2.1 环境安装

pip install pillow==8.1.2  -i https://pypi.tuna.tsinghua.edu.cn/simple/

3.2.2 模块基本操作

• 读取基本信息

  im = Image.open('dm.jpg')
  print(im.size)
  print(im.mode)
  print(im.info)
  

• 图片压缩与旋转

  ims = im.resize((128,128))
  ims.show()
  ims = im.rotate(50)
  img = im.transpose(Image.FLIP_TOP_BOTTOM)
  

• 图像张贴

  img_re = Image.open('test.png')
  res = img_re.resize((200,200))
  im.paste(res,box= [608,74])
  im.show()
  

• 圈核心位置:从220 0起点画长600 高489的图形

  draw = ImageDraw.Draw(im)
  draw.rectangle([220,0,600,489],fill=None,width=5,outline='green')
  im.show()
  

• 边缘提取和高斯模糊

  img_edg = im.filter(ImageFilter.FIND_EDGES)
  img_edg.show()
  im_b = im.filter(ImageFilter.GaussianBlur(radius=3))
  im_b.show()
  

4. 验证码突破实战

4.1 验证码突破

4.1.1 获取验证码

def img_read():
    session = requests.session()
    ocr = ddddocr.DdddOcr()
    headers= {
    "Cookie": "JSESSIONID=3F0E43F4D1024D9BEA08E7A7AF5B4251; HWWAFSESID=5e93925f31d32fef0f0; HWWAFSESTIME=1661863949069; JMOPENSESSIONID=2aa3d571-6433-4e44-adb7-ae1d5b6ace78",
}
    session.headers = headers
    res = session.get('http://app.gjzwfw.gov.cn/jmopen/verifyCode.do?width=100&height=55&random=0.08462383677727381').content
    with open('ss.png','wb') as ffff:
        ffff.write(res)
    red = ocr.classification(res)
    return red

4.2.2 验证码验证

def ocr_img():
    session = requests.session()
    # 头部参数 顺序  反爬虫
    headers = {
    "Cookie": "JSESSIONID=3F0E43F4D1024D9BEA08E7A7AF5B4251; HWWAFSESID=5e93925f31d32fef0f0; HWWAFSESTIME=1661863949069; JMOPENSESSIONID=2aa3d571-6433-4e44-adb7-ae1d5b6ace78",
    "Referer": "http://app.gjzwfw.gov.cn/jmopen/webapp/html5/hnsqymckkfcx/index.html",
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36"
}
    url = 'http://app.gjzwfw.gov.cn/jmopen/checkValiCode.do'
    s = img_read()
    session.headers = headers
    print(s.lower())
    data = {
        "code": s.lower()
    }
    res = session.post(url,data=data)
    print(res.text)

4.4.3 获取数据

def get_data():
    headers = {
        "Referer": "http://app.gjzwfw.gov.cn/",
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36"
    }
    url = "http://apis.zwfw.hunan.gov.cn/H006/custom/search/addressn"
    params = {
        "jz": "1",
        "sz": "430100",
        "qx": "430121"
    }
    response = requests.post(url, headers=headers, params=params, verify=False)
    print(response.text)