selenium+python实现1688网站验证码图片的截取

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

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%26left