反爬篇 | 手把手教你处理 JS 逆向之图片伪装

反爬篇 | 手把手教你处理 JS 逆向之图片伪装_第1张图片

大家好,我是安果!

最近打算更新反爬系列相关的内容,第一篇就从最简单的「 图片伪装 」开始吧

图片伪装是在网页元素中,将文字、图片混合在一起进行展示,以此限制爬虫程序直接获取网页内容

目标对象:

aHR0cHM6Ly93d3cuZ3hyYy5jb20vam9iRGV0YWlsL2Q2NmExNjQxNzc2MjRlNzA4MzU5NWIzMjI1ZWJjMTBi

1 - 分析

打开页面,分析页面发现网页源码中的电话号码默认是隐藏保护的

并且要查看电话号码,必须先通过账号进行登录操作

反爬篇 | 手把手教你处理 JS 逆向之图片伪装_第2张图片

完成登录后,点击页面上的查看按钮会调用一个接口,随后电话号码就完全展示出来了

https://**/getentcontacts/b2147f6a-6ec7-403e-a836-62978992841b

PS:该 URL 地址中 b2147f6a-6ec7-403e-a836-62978992841b 在网页源码中可以获取,与企业一一对应

反爬篇 | 手把手教你处理 JS 逆向之图片伪装_第3张图片

通过下图,我们发现上面接口响应值中的「 tel 」字段可以拼接成一张图片,该图片中的内容与电话号码一致

因此,我们只需要下载这张图片,利用 OCR 进行识别即可以

反爬篇 | 手把手教你处理 JS 逆向之图片伪装_第4张图片

2 - 实现

由于该网站上的文字图片背景很干净,因此不需要额外的训练来提升文字识别率

首先,我们调用接口获取电话号码一一对应的 tel 字段

import requests

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.64 Safari/537.36',
    'Cookie': '***'
}

# 获取手机号码对应的tel字段id(一一对应)
def get_tel_id():
    # b2147f6a-6ec7-403e-a836-62978992841b对应企业,也是一一对应关系(网页源码)
    url = "https://**/getentcontacts/b2147f6a-6ec7-403e-a836-62978992841b"

    payload = {}

    resp = requests.request("GET", url, headers=headers, data=payload).json()
    tel_id = resp.get("tel")
    return tel_id

然后,利用上面的 tel 字段组成图片 URL 地址

最后,就可以对图片进行文字识别了

这里介绍 2 种方式:

  • 百度 OCR

  • pytesseract

2-1  百度 OCR

首先,安装依赖包

# 安装依赖包
pip3 install baidu-aip

然后,创建一个用于文字识别的应用,获取应用的 APP_ID、API_KEY、SECRET_KEY 数据

最后,参考官方文档调用下面的方法识别图片,获取手机号码数据

官网文档:

https://cloud.baidu.com/doc/OCR/s/wkibizyjk

from aip import AipOcr

def get_phone(tel_id):
    """
    百度OCR识别图片,获取文字内容
    :param tel_id:
    :return:
    """
    url = f'https://www.**.com/home/Phone/{tel_id}'
    APP_ID = '262**'
    API_KEY = '1btP8uUSzfDbji**'
    SECRET_KEY = 'NGm6NgAM5ajHcksKs0**'
    client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
    result = client.basicGeneralUrl(url)
    # {'words_result': [{'words': '0771-672**'}], 'words_result_num': 1, 'log_id': 1527210***}
    print('识别到的手机号码为:', result)

2-2 pytesseract

同样,我们需要先安装文字识别、图片处理的依赖包

# 安装依赖包
pip3 install pillow
pip3 install pytesseract

然后,根据图片 URL 地址获取图片字节流,最后利用 pytesseract 识别图片中文字即可

import io
import pytesseract
import requests
from PIL import Image

if __name__ == '__main__':
    # 获取手机号码的URL地址
    image_url = f'https://www.**.com/home/Phone/{get_tel_id()}'

    resp = requests.get(image_url, headers=headers)

    # images.content: 获取图片的二进制字节流
    # io.BytesIO(): 操作处理二进制数据
    # Image.open(): 打开图片字节流,得到一个图片对象
    images_c = Image.open(io.BytesIO(resp.content))

    # 利用pytesseract识别出图片中的字符串,即为手机号码
    phone = pytesseract.image_to_string(images_c)

    print(f'联系方式: {phone}')

以上就是应用图片伪装常规的处理方式,我们只需要找出图片的生成规则,然后利用 OCR 进行识别成文本,最后组装在一起即可

如果你觉得文章还不错,请大家 点赞、分享、留言 下,因为这将是我持续输出更多优质文章的最强动力!

推荐阅读

用 Python 远程控制 Windows 服务器,太好用了!

JavaScript 逆向爬虫中的浏览器调试常见技巧

JavaScript 逆向爬虫中的浏览器调试常见技巧(下)

END

好文和朋友一起看~

你可能感兴趣的:(python,机器学习,人工智能,selenium,编程语言)