selenium+python实现1688网站验证码图片的截取

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="//pin.aliyun.com/get_img?identity=sm-searchweb2&amp;sessionid=9c3a51d81de07ddf1bfd9bbc70863b0f&amp;type=default&amp;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

这里写图片描述

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&amp;smApp=searchweb2&amp;smPolicy=searchweb2-RpcAsyncAll-anti_Spider-checkcode&amp;smCharset=GBK&amp;smTag=MTIxLjE1LjI2LjIzMywzNTE1MTA4MjI5LGFlNGE1ZGI1YTQ4NDQ3NTNiYzY5OTZlZmU1OWE3Njhm&amp;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&amp;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 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iframeif 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 = frameXtop = frameYright = frameX + frameWidthbottom = 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 + captchaWidthcaptchaBottom = captchaY + captchaHeightprint(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']) + frameXcaptchaY = int(captchaElem.location['y']) + frameYcaptchaWidth = captchaElem.size['width']captchaHeight = captchaElem.size['height']captchaRight = captchaX + captchaWidthcaptchaBottom = captchaY + captchaHeightprint(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.html
chromedefault：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-listframe：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-refreshlocation_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}firefoxdefault: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_viewchrome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。

7. 参考文章

selenium总结：通过location 和 size 获取元素所在像素位置和尺寸，截取图片ROI： https://www.cnblogs.com/my8100/p/7225408.html
利用selenium实现验证码获取并验证： https://zhuanlan.zhihu.com/p/25171554
当验证码加载不完全时，参考这篇文章的方案：http://www.jianshu.com/p/7ed519854be7