selenium+python实现1688网站验证码图片的截取功能

Python  /  管理员 发布于 7年前   234

1. 背景

•在1688网站爬取数据时，如果访问过于频繁，无论用户是否已经登录，就会弹出如下所示的验证码登录框。

一般的验证码是类似于如下的元素（通过链接单独加载进页面，而不是嵌入图片元素）：

<img id="J_CheckCodeImg1" width="100" height="30" onmousedown="return false;" src="https://pin.aliyun.com/get_img?identity=sm-searchweb2&sessionid=9c3a51d81de07ddf1bfd9bbc70863b0f&type=default&t=1511315617645">

•一般来说，获取验证码图片有两种方式：

•第一，拿到上面验证码的图片链接：src=”//pin.aliyun.com/get_img?identity=sm-searchweb2&sessionid=9c3a51d81de07ddf1bfd9bbc70863b0f&type=default&t=1511315617645”，但是这种方式有时候行不通。因为有时候会发现当前的验证码和通过提取出来的url链接打开的验证码，内容是不一样的，其内容不断发生变化。

•第二，利用selenium先进行可视区域的截屏，然后定位验证码元素的位置以及大小，然后利用Image（PIL模块中）进行裁剪，得到验证码图片，然后送往验证码模块或者打码平台处理。

2. 环境

•python 3.6.1
•系统：win7
•IDE：pycharm
•安装过chrome浏览器
•配置好chromedriver
•selenium 3.7.0

3. 分析网页结构

通过分析网页源代码，我们可以得出以下结论：

•这个验证码登录框是通过iframe嵌入到网页中的。
•页面中不止这一个iframe嵌套。
•这个验证码iframe有很明显的特征：id=”sufei-dialog-content”和src=”https://sec.1688.com/query.htm?……”

<iframe id="sufei-dialog-content" frameborder="none" src="https://sec.1688.com/query.htm?style=mini&smApp=searchweb2&smPolicy=searchweb2-RpcAsyncAll-anti_Spider-checkcode&smCharset=GBK&smTag=MTIxLjE1LjI2LjIzMywzNTE1MTA4MjI5LGFlNGE1ZGI1YTQ4NDQ3NTNiYzY5OTZlZmU1OWE3Njhm&smReturn=https%3A%2F%2Fs.1688.com%2Fselloffer%2Frpc_async_render.jsonp%3Fkeywords%3D%25CF%25B4%25CD%25EB%25B2%25BC%26startIndex%3D0%26n%3Dy%26pageSize%3D60%26rpcflag%3Dnew%26async%3Dtrue%26templateConfigName%3DmarketOfferresult%26enableAsync%3Dtrue%26qrwRedirectEnabled%3Dfalse%26filterP4pIds%3D1245873517%252C561786598916%252C559726907082%252C523166432402%252C557139543735%252C529784793813%252C543923733444%252C560590249743%26asyncCount%3D20%26_pageName_%3Dmarket%26offset%3D9%26uniqfield%3Dpic_tag_id%26leftP4PIds%3D%26callback%3DjQuery18305735956012709345_1511341604992%26beginPage%3D48%26_%3D1511341615310&smSign=XKm5xSgAkIixvOkhV1VSyg%3D%3D" cd_frame_id_="c4ae94ef2bea60f0b4729f319df59251"></iframe>

4. 代码

# 前提是，在程序启动时，对浏览器窗口大小进行了设置from selenium import webdriverimport timefrom PIL import Imagebrowser = webdriver.Chrome()# 根据桌面分辨率来定，主要是为了抓到验证码的截屏，验证码需要出现在可视区域中browser.set_window_size(960, 960)# 处理验证码弹窗def captchaHandler(browser, DamatuInstance):  iframeLst = browser.find_elements_by_tag_name('iframe')  print(f"captchaHandler: enter , iframeLst = {iframeLst}")  for iframe in iframeLst:    iframeID = iframe.get_attribute('id')    iframeSrc = iframe.get_attribute('src')    print(f"captchaHandler: iframeID = {iframeID}, iframeSrc = {iframeSrc}")    # 找到验证码登录iframe    if iframeID and iframeID.find('dialog') != -1:      if iframeSrc and iframeSrc.find(r'sec.1688.com') != -1:        # 拿到iframe的宽度和高度        frameWidth = iframe.size['width']        frameHeight = iframe.size['height']        # 代表验证码区域可见        # 某些情况下，会出现验证码框不弹出，而iframe还在的暂态        if frameWidth > 0 and frameHeight > 0:          print(f"验证码弹出, 进行处理, frameWidth = {frameWidth}, frameHeight = {frameHeight}")          # 截屏，在chrome中截取的是可视区域，而不是整个html页面          # 前提是当前project下已经创建了clawerImgs目录          browser.get_screenshot_as_file('clawerImgs/screenshot.png')          # 先拿到iframe在整个可视页面（也就是上面的截屏）中的相对位置，因为前面对页面的窗口大小进行了设置960 X 960          # location_once_scrolled_into_view 拿到的是相对于可视区域的坐标          # location 拿到的是相对整个html页面的坐标          frameX = int(iframe.location_once_scrolled_into_view['x'])          frameY = int(iframe.location_once_scrolled_into_view['y'])          print(f"captchaHandler: frameX = {frameX}, frameY = {frameY}, frameWidth = {frameWidth}, frameHeight = {frameHeight}")          # 获取指定元素位置，先拿iframe元素的图片          left = frameX          top = frameY          right = frameX + frameWidth          bottom = frameY + frameHeight          # 通过Image处理图像，截取frame的图片 ―――― 无意义，只是做经验总结          imgFrame = Image.open('clawerImgs/screenshot.png')          imgFrame = imgFrame.crop((left, top, right, bottom)) # 裁剪          imgFrame.save('clawerImgs/iframe.png')          # 切换到验证码弹出框的frame，不然无法获取到验证码元素，因为验证码元素是在iframe中          browser.switch_to.frame(iframe)          # ------获取验证码图片，第一种方法：在frame区域截取          # 获取指定元素位置          captchaElem = browser.find_element_by_xpath("//img[contains(@id, 'CheckCodeImg')]")          # 因为验证码在frame中没有缩放，直接取验证码图片的绝对坐标          # 这个坐标是相对于它所属的frame的，而不是整个可视区域          captchaX = int(captchaElem.location['x'])          captchaY = int(captchaElem.location['y'])          # 取验证码的宽度和高度          captchaWidth = captchaElem.size['width']          captchaHeight = captchaElem.size['height']          captchaRight = captchaX + captchaWidth          captchaBottom = captchaY + captchaHeight          print(f"captchaHandler: 1 captchaX = {captchaX}, captchaY = {captchaY}, captchaWidth = {captchaWidth}, captchaHeight = {captchaHeight}")          # 通过Image处理图像，第一种方法：在frame区域截取          imgObject = Image.open('clawerImgs/iframe.png')          imgCaptcha = imgObject.crop((captchaX, captchaY, captchaRight, captchaBottom))   # 裁剪          imgCaptcha.save('clawerImgs/captcha1.png')          # ------获取验证码图片，第二种方法：在整个可视区域截取。 就要加上这个iframe的便宜量          captchaElem = browser.find_element_by_xpath("//img[contains(@id, 'CheckCodeImg')]")          captchaX = int(captchaElem.location['x']) + frameX          captchaY = int(captchaElem.location['y']) + frameY          captchaWidth = captchaElem.size['width']          captchaHeight = captchaElem.size['height']          captchaRight = captchaX + captchaWidth          captchaBottom = captchaY + captchaHeight          print(f"captchaHandler: 2 captchaX = {captchaX}, captchaY = {captchaY}, captchaWidth = {captchaWidth}, captchaHeight = {captchaHeight}")          # 通过Image处理图像，第二种方法：在整个可视区域截取          imgObject = Image.open('clawerImgs/screenshot.png')          imgCaptcha = imgObject.crop((captchaX, captchaY, captchaRight, captchaBottom))    # 裁剪          imgCaptcha.save('clawerImgs/captcha2.png')

5. 结果展示

•整个可视区域：screenshot.png

•验证码登录框iframe区域：iframe.png

•相对于iframe截取的验证码图片：captcha1.png

•相对于整个可视区域截取的验证码图片：captcha2.png

6. 拓展

# 摘自https://www.cnblogs.com/my8100/p/7225408.htmlchrome  default：    location 不滚动，直接返回相对整个html的坐标 {'x': 15.0, 'y': 129.0}    location_once_scrolled_into_view 返回相对可视区域的坐标（改变浏览器高度，可以观察到底部元素底部对齐后y的变化）      顶部/底部元素 完全可见不滚动，{u'x': 15, u'y': 60}      顶部元素部分可见或完全不可见都会滚动到 顶部对齐 {u'x': 15, u'y': 0} account-wall      底部元素部分可见或完全不可见都会滚动到 底部对齐 {u'x': 15, u'y': 594} theme-list  frame：    location 不滚动，直接返回相对frame即当前相应内层html的坐标{'x': 255.0, 'y': 167.0} captcha_frame 的 lc-refresh    location_once_scrolled_into_view 返回相对可视区域的坐标      完全可见不滚动{u'x': 273, u'y': 105}      部分可见或完全不可见滚动到 顶部对齐 {u'x': 273, u'y': 0}  firefox    default:      顶部元素 底部元素        location 不滚动，直接返回相对整个html的坐标 {'x': 15.0, 'y': 130.0} {'x': 15.0, 'y': 707.0}        location_once_scrolled_into_view 返回相对可视区域的坐标（y=1足以说明）          可见不可见 都滚动到顶部对齐 {'x': 15.0, 'y': 1.0} {'x': 15.0, 'y': 1.0}          如果下拉条直到底部，底部元素仍然无法顶部对齐 {'x': 15.0, 'y': 82.0}    frame：      location 不滚动，都是相对frame即当前相应html的坐标{'x': 255.0, 'y': 166.0}      location_once_scrolled_into_view 可见不可见都会滚动到顶部对齐，（'y'依旧是166.0）        结果也是相对frame即当前相应html的坐标{'x': 255.0, 'y': 166.0}# 总结location   始终不滚动，返回相对整个html或者对应frame的坐标location_once_scrolled_into_view  chrome完全可见不滚动，firefox始终会滚动；而且chrome底部元素会底部对齐，其余情况两者都是顶部对齐。  一般返回相对可视区域坐标，但是firefox的frame依旧返回相对frame的坐标# 摘自：https://zhuanlan.zhihu.com/p/25171554selenium.webdriver 内置了截取当前页面的功能，其中：  a.WebDriver.Chrome自带的方法只能对当前窗口截屏，若是需要截取的窗口超过了一屏，就只能另辟蹊径了。  b.WebDriver.PhantomJS自带的方法支持对整个网页截屏。

总结

以上所述是小编给大家介绍的selenium+python实现1688网站验证码图片的截取功能，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对站的支持！