欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

selenium+python实现1688网站验证码图片的截取功能

程序员文章站 2022-12-17 19:37:33
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(...

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。

selenium+python实现1688网站验证码图片的截取功能

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="//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

selenium+python实现1688网站验证码图片的截取功能

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 webdriver
import time
from pil import image
browser = 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

selenium+python实现1688网站验证码图片的截取功能

•验证码登录框iframe区域:iframe.png

selenium+python实现1688网站验证码图片的截取功能

•相对于iframe截取的验证码图片:captcha1.png

selenium+python实现1688网站验证码图片的截取功能

•相对于整个可视区域截取的验证码图片:captcha2.png

selenium+python实现1688网站验证码图片的截取功能

6. 拓展

# 摘自https://www.cnblogs.com/my8100/p/7225408.html
chrome
  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/25171554
selenium.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