Python绕过图片滑动验证码,实现爬取PTA所有题目!

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

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

近期有很多朋友通过私信咨询有关Python学习问题。为便于交流,点击蓝色自己加入讨论解答资源基地

推荐阅读更多精彩内容