07
2021
01

python绕过图片滑动验证码实现爬取PTA所有题目功能介绍(附源码)

最近学了python爬虫,本着学以致用的态度去应用在生活中。突然发现算法的考试要来了,范围就是PTA刷过的题。让我一个个复制粘贴?不可能,必须爬它!


先开页面,人傻了,PTA的题目是异步加载的,爬了个寂寞(空数据)。AJAX我又不熟,突然想到了selenium。


selenium可以模拟人的操作让浏览器自动执行动作,具体的自己去了解,不多说了。干货来了:


登录界面有个图片的滑动验证码


验证码

20210106171813186.png

破解它的最好方式就是用opencv,opencv巨强,自己了解。

思路开始:

1.将背景图片和可滑动的图片下载

2.用opencv匹配这两张图片的最匹配位置,不用在意怎么实现的,算法极其BT,不是我这种数学不及格的人能想的。最终会得到一个匹配度最高的XY值

3.由于Y值不用考虑,拖动滑块是X值的事情,调用selenium里抓放的函数,把X值丢进去,让浏览器自动滑动即可。

注意:由于算法问题,可能不能一次成功,重启程序就行了,或者改动代码。

4.进去之后就用selenium各种操作爬就完事了

以下是源码:


from selenium import webdriver

from selenium.webdriver.common.action_chains import ActionChains

import requests

import time

import numpy

import cv2

import os


#作者:许文鸿

#未经允许不可转载,转载时注明出处


#创建 WebDriver 对象,指明使用chrome浏览器驱动

web = webdriver.Chrome(r'd:\chromedriver.exe')

web.implicitly_wait(5)

#调用WebDriver 对象的get方法 可以让浏览器打开指定网址

web.get('https://pintia.cn/auth/login')

zh = web.find_element_by_xpath('/html/body/div[1]/div[3]/div/div[2]/form/div[1]/div[1]/div/div/div[1]/input')

mm = web.find_element_by_xpath('/html/body/div[1]/div[3]/div/div[2]/form/div[1]/div[2]/div/div/div[1]/input')


#在PTA的账号密码:

zh.send_keys('******@qq.com')

mm.send_keys('******')

#找到登录按钮并点击

web.find_element_by_xpath('/html/body/div[1]/div[3]/div/div[2]/form/div[2]/button/div/div').click()

#等待两秒,验证码加载完成

time.sleep(2)

#bg背景图片

bg_img_src = web.find_element_by_xpath(

 '/html/body/div[3]/div[2]/div/div/div[2]/div/div[1]/div/div[1]/img[1]').get_attribute('src')

#front可拖动图片

front_img_src = web.find_element_by_xpath(

 '/html/body/div[3]/div[2]/div/div/div[2]/div/div[1]/div/div[1]/img[2]').get_attribute('src')

#保存图片

with open("bg.jpg", mode="wb") as f:

 f.write(requests.get(bg_img_src).content)

with open("front.jpg", mode="wb") as f:

 f.write(requests.get(front_img_src).content)

#将图片加载至内存

bg = cv2.imread("bg.jpg")

front = cv2.imread("front.jpg")

js = 'alert("本人可能将此程序用于python课设,请靓仔靓女不要直接提交本人代码。即将报错,需要删除第42~44行代码即可正常运行");'

web.execute_script(js)

time.sleep(15)

#将背景图片转化为灰度图片,将三原色降维

bg = cv2.cvtColor(bg, cv2.COLOR_BGR2GRAY)

#将可滑动图片转化为灰度图片,将三原色降维

front = cv2.cvtColor(front, cv2.COLOR_BGR2GRAY)

front = front[front.any(1)]

#用cv算法匹配精度最高的xy值

result = cv2.matchTemplate(bg, front, cv2.TM_CCOEFF_NORMED)

#numpy解析xy,注意xy与实际为相反,x=y,y=x

x, y = numpy.unravel_index(numpy.argmax(result), result.shape)

#找到可拖动区域

div = web.find_element_by_xpath('/html/body/div[3]/div[2]/div/div/div[2]/div/div[2]/div[2]')

#拖动滑块,以实际相反的y值代替x

ActionChains(web).drag_and_drop_by_offset(div, xoffset=y // 0.946, yoffset=0).perform()


#至此成功破解验证码,由于算法问题,准确率不能达到100%,可能需要多运行1~2次


for page in range(0, 1000):

 time.sleep(1)

 #此处的网址为PTA固定网页,仅需要更换page

 web.get('https://pintia.cn/problem-sets?tab=1&filter=all&page={page_}'.format(page_=page))

 #获取当前页面题目集网址,A_s为a标签的列表,urls用户存放网址

 A_s = web.find_elements_by_class_name('name_QIjv7')

 urls = []

 for a in A_s:

  urls.append(a.get_attribute('href'))

 #当页面不存在可爬取的网址,则退出程序

 if urls.__len__() == 0:

  print('爬取完成')

  os._exit()

 #对刚才获取的网址列表进行遍历

 for url in urls:

  web.get(url)

  #找到对应的题目对象

  tm = web.find_elements_by_css_selector("[class='problemStatusRect_3kpmC PROBLEM_ACCEPTED_1Dzzi']")

  tm_total = 0

  for i in range(0, 1000):

   # 遍历该页面的题型

   try:

    tm_type = web.find_element_by_xpath(

     '/html/body/div/div[3]/div[2]/div/div[2]/div[{i_}]/div/div[2]'.format(i_=i * 2 + 2)).text

    # 如果题型为编程/函数,记录对应的数量,方便后续爬取

    if tm_type == '编程题' or tm_type == '函数题':

     tm_total += int(web.find_element_by_xpath(

      '/html/body/div/div[3]/div[2]/div/div[2]/div[{i_}]/a/div/div'.format(i_=i * 2 + 2)).text[0])

   except:

    break

  # 根据函数/编程题数量取相应的题目对象,舍弃其他题目

  if tm_total != 0:

   tm = tm[-tm_total:]

  else:

   tm = []

  # 遍历剩余题目

  for tm_index in tm:

   try:

    tm_index.click()

    time.sleep(0.5)

    #获取题目中的代码

    tm_title = web.find_element_by_css_selector(

     "[class='text-center black-3 text-4 font-weight-bold my-3']").text

    mycode = web.find_element_by_css_selector('textarea').get_attribute('value')

    print('题目:' + tm_title)

    print(mycode)

    #接下来可以存入

   except:

    continue

« 上一篇 下一篇 »

发表评论:

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。