Python反爬机制及其破解 Python中常见的反爬机制及其破解方法总结
wangxin083 人气:0想了解Python中常见的反爬机制及其破解方法总结的相关内容吗,wangxin083在本文为您仔细讲解Python反爬机制及其破解的相关知识和一些Code实例,欢迎阅读和指正,我们先划重点:Python反爬机制,python反爬虫破解方法,下面大家一起来学习吧。
一、常见反爬机制及其破解方式
封禁IP,使用cookie等前面文章已经讲过
现在主要将下面的:
~ 验证码
—> 文字验证码 —> OCR(光学文字识别)—> 接口 / easyocr
程序自己解决不了的问题就可以考虑使用三方接口(付费/免费)
—> 行为验证码 —> 超级鹰
~ 手机号+短信验证码
—> 接码平台
~ 动态内容
—> JavaScript逆向 —> 找到提供数据的API接口
—> 手机抓接口 —> 抓包工具(Charles / Fiddler)
—> Selenium直接模拟浏览器操作获取动态内容
~ find_element_by_xxx / find_elements_by_xxx
~ page_source —> 获取包含动态内容的网页源代码
—> JavaScript加密和混淆技术 —> 读懂JavaScript是反反爬的前提
~ 字体反爬 / 内容来自于抠图
—> 例子
bytes —> 不变字节串 —> 二进制 —> BytesIO
str —> 不变字符串 —> 可阅读的字符 —> StringIO
二、调用三方API接口数据(天行数据)
import requests for page in range(1, 6): response = requests.get( 'http://api.tianapi.com/topnews/index', params={ 'key': 'd5eace66dccd771e36767ce3563efa09', 'page': page, 'num': 20, 'word': '华为', 'src': '人民日报' } ) result = response.json() for news in result['newslist']: print(news['title']) print(news['url'])
三、OCR(光学文字识别)库
python 自带的easyocr库
import easyocr reader = easyocr.Reader(['ch_sim', 'en'], gpu=False) print(reader.readtext('./files/captcha.jpg', detail=0))
例子:阿里云邮箱自动登陆
import io import easyocr from PIL import Image from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support import expected_conditions from selenium.webdriver.support.wait import WebDriverWait browser = webdriver.Chrome() browser.set_window_size(1280, 960) browser.get('http://mail.1000phone.com/') # 隐式等待(下面的方法在工作时如果取不到就等10秒) browser.implicitly_wait(10) # 显式等待 wait = WebDriverWait(browser, 10) wait.until(expected_conditions.presence_of_element_located((By.CSS_SELECTOR, '.login_panel_iframe'))) iframe1 = browser.find_element_by_css_selector('.login_panel_iframe') # 记录iframe1的位置(相对位置) x1, y1 = iframe1.location['x'], iframe1.location['y'] # Chrome对象的switch_to属性的frame方法,可以从页面切换到iframe中 browser.switch_to.frame(iframe1) iframe2 = browser.find_element_by_css_selector('#ding-login-iframe') x2, y2 = iframe2.location['x'], iframe2.location['y'] browser.switch_to.frame(iframe2) username_input = browser.find_element_by_css_selector('#username') # 模拟用户输入 username_input.send_keys('xx@1000phone.com') password_input = browser.find_element_by_css_selector('#password') password_input.send_keys('xxxxx!!') # 创建一个等待对象 wait = WebDriverWait(browser, 10) wait.until(expected_conditions.element_to_be_clickable((By.CSS_SELECTOR, '#login_checkcode_ico'))) captcha_img = browser.find_element_by_css_selector('#login_checkcode_ico') # WebElement对象的size属性代表元素宽度和高度,location属性代表元素在窗口中的位置 size, location = captcha_img.size, captcha_img.location x3, y3, width, height = location['x'], location['y'], size['width'], size['height'] # 截取整个浏览器窗口的图片获得图片的二进制数据 image_data = browser.get_screenshot_as_png() # bytes(只读字节串) ----> io.BytesIO(可写字节串)---> getvalue() ---> bytes # str(只读字符串) ----> io.StringIO(可写字符串)---> getvalue() ---> str browser_image = Image.open(io.BytesIO(image_data)) # 从截图上剪裁出验证码的图片 x, y = x1 + x2 + x3, y1 + y2 + y3 # Windows系统的写法 ---> 如果截图有问题就把坐标写死 # print(x, y, width, height) checkcode_image = browser_image.crop((x * 1.25, y * 1.25, (x + width) * 1.25, (y + height) * 1.25)) # macOS系统的写法 # checkcode_image = browser_image.crop((x * 2, y * 2, (x + width) * 2, (y + height) * 2)) checkcode_image.save('result.png') # 通过easyocr做光学文字识别 reader = easyocr.Reader(['en'], gpu=False) code = reader.readtext('result.png', detail=0)[0] # 将识别出的验证码输入文本框 checkcode_input = browser.find_element_by_css_selector('#login_checkcode') checkcode_input.send_keys(code) login_button = browser.find_element_by_css_selector('#login_submit_btn') # 模拟用户点击 login_button.click()
四、第三方打码平台(超级鹰打码平台)
补充:需要使用python 自带pillow库
""" Pillow库 ---> PIL ---> Python Image Library """ from PIL import Image, ImageFilter # 加载图像 guido_image = Image.open('guido.jpg') # 剪裁 guido_image.crop((80, 40, 310, 350)).show() # 滤镜 guido_image.filter(ImageFilter.CONTOUR).show() # 缩略图 guido_image.thumbnail((125, 185)) # 显示图像 guido_image.show()
编写超级鹰打码平台类
from hashlib import md5 import requests class ChaojiyingClient: def __init__(self, username, password, soft_id): self.username = username password = password.encode('utf8') self.password = md5(password).hexdigest() self.soft_id = soft_id self.base_params = { 'user': self.username, 'pass2': self.password, 'softid': self.soft_id, } self.headers = { 'Connection': 'Keep-Alive', 'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)', } def post_pic(self, image_data, code_type): """ image_data: 图片字节 code_type: 验证码类型 参考 http://www.chaojiying.com/price.html """ params = { 'codetype': code_type, } params.update(self.base_params) files = {'userfile': ('ccc.jpg', image_data)} response = requests.post( url='http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files, headers=self.headers ) return response.json() # 超级鹰错误反馈函数(仅用于给超级鹰平台反馈) def report_error(self, im_id): """ im_id:报错题目的图片ID """ params = { 'id': im_id, } params.update(self.base_params) r = requests.post('http://upload.chaojiying.net/Upload/ReportError.php', data=params, headers=self.headers) return r.json() if __name__ == '__main__': chaojiying = ChaojiyingClient('账户', '密码x', 'ID') # 用户中心>>软件ID 生成一个替换 96001 with open('img.png', 'rb') as file: image_data = file.read() # 本地图片文件路径 来替换 a.jpg 有时WIN系统须要// print(chaojiying.post_pic(image_data, 1902)) # 1902 验证码类型 官方网站>>价格体系 3.4+版 print 后要加()
例子:使用超级鹰进行阿里云邮箱自动登陆
import io import easyocr from PIL import Image from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support import expected_conditions from selenium.webdriver.support.wait import WebDriverWait from chaojiying import ChaojiyingClient browser = webdriver.Chrome() browser.set_window_size(1280, 960) browser.get('http://mail.1000phone.com/') # 隐式等待(下面的方法在工作时如果取不到就等10秒) browser.implicitly_wait(10) # 显式等待 wait = WebDriverWait(browser, 10) wait.until(expected_conditions.presence_of_element_located((By.CSS_SELECTOR, '.login_panel_iframe'))) iframe1 = browser.find_element_by_css_selector('.login_panel_iframe') # 记录iframe1的位置(相对位置) x1, y1 = iframe1.location['x'], iframe1.location['y'] # Chrome对象的switch_to属性的frame方法,可以从页面切换到iframe中 browser.switch_to.frame(iframe1) iframe2 = browser.find_element_by_css_selector('#ding-login-iframe') x2, y2 = iframe2.location['x'], iframe2.location['y'] browser.switch_to.frame(iframe2) username_input = browser.find_element_by_css_selector('#username') # 模拟用户输入 username_input.send_keys('xxxx.com') password_input = browser.find_element_by_css_selector('#password') password_input.send_keys('xxxx!!') # 创建一个等待对象 wait = WebDriverWait(browser, 10) wait.until(expected_conditions.element_to_be_clickable((By.CSS_SELECTOR, '#login_checkcode_ico'))) captcha_img = browser.find_element_by_css_selector('#login_checkcode_ico') # WebElement对象的size属性代表元素宽度和高度,location属性代表元素在窗口中的位置 size, location = captcha_img.size, captcha_img.location x3, y3, width, height = location['x'], location['y'], size['width'], size['height'] # 截取整个浏览器窗口的图片获得图片的二进制数据 image_data = browser.get_screenshot_as_png() # bytes(只读字节串) ----> io.BytesIO(可写字节串)---> getvalue() ---> bytes # str(只读字符串) ----> io.StringIO(可写字符串)---> getvalue() ---> str browser_image = Image.open(io.BytesIO(image_data)) # 从截图上剪裁出验证码的图片 x, y = x1 + x2 + x3, y1 + y2 + y3 # Windows系统的写法 ---> 如果截图有问题就把坐标写死 # print(x, y, width, height) checkcode_image = browser_image.crop((x * 1.25, y * 1.25, (x + width) * 1.25, (y + height) * 1.25)) # macOS系统的写法 # checkcode_image = browser_image.crop((x * 2, y * 2, (x + width) * 2, (y + height) * 2)) checkcode_image.save('result.png') # 通过超级鹰打码平台打码 chaojiying = ChaojiyingClient('账户', '密码', 'ID') with open('result.png', 'rb') as file: image_data = file.read() result_dict = chaojiying.post_pic(image_data, 1902) # 将识别出的验证码输入文本框 checkcode_input = browser.find_element_by_css_selector('#login_checkcode') checkcode_input.send_keys(result_dict['pic_str']) login_button = browser.find_element_by_css_selector('#login_submit_btn') # 模拟用户点击 login_button.click()
五、通过接码平台接收手机验证码(隐私短信平台)
通过隐私短信平台接收验证码(免费)
import re import bs4 import requests pattern = re.compile(r'\d{4,6}') resp = requests.get('https://www.yinsiduanxin.com/china-phone-number/verification-code-16521686439.html') soup = bs4.BeautifulSoup(resp.text, 'html.parser') # print(resp.text) td = soup.select_one('body > div.container > div:nth-child(4) > div:nth-child(3) > div.main > div.layui-row > table > tbody > tr:nth-child(1) > td:nth-child(2)') results = pattern.findall(td.text) print(results[0])
加载全部内容