爬虫“拥抱大模型”，有没有搞头？

验证码坐标识别

数据采集过程中，可能会碰到各种风控策略。其中，验证码人机验证是较为常见的，点选类验证码需要识别出相应的坐标，碰到这种情况，一般要么自己训练模型，要么对接打码平台。现在也可以将识别工作交给大模型，我们来看看，相同的问法，各家大模型，在识别验证码坐标上的表现。

GPT-4o

问题，选出相似的，并给出坐标：

问题，找出鸟的位置：

通义千问

问题，选出相似的，并给出坐标：

问题，找出鸟的位置：

Kimi

Kimi 暂时还不能分析图片文件：

文心一言

问题，选出相似的，并给出坐标（说了一堆，不知道在说什么）：

问题，找出鸟的位置：

腾讯元宝

问题，选出相似的，并给出坐标：

问题，找出鸟的位置：

综上所述，在图片识别方面，GPT 还是有着明显的优势，测试结果：GPT-4o > 腾讯元宝 > 通义千问 = 文心一言 > Kimi。

代码解混淆

今时不同往日，现在扣算法就会发现，很多网站的关键代码都经过了混淆处理，掩盖了真实的算法逻辑，增大了逆向的难度。常规的处理方法，要么硬跟，要么使用 AST 技术解混淆。

能解混淆自然是最好的，整体逻辑会清晰很多。接下来，我们用一段简单的经过 OB 混淆了的代码，交给各大模型，看看他们的处理能力如何。

原代码：

function hi() {     console.log("Hello World!");   }   hi();   

OB 混淆后：

OB 混淆测试网站：https://www.obfuscator.io

(function (_0x3e0fd2, _0x4d9507) {       var _0x35a832 = _0x49f9, _0x24b53a = _0x3e0fd2();       while (!![]) {           try {               var _0x384e17 = parseInt(_0x35a832(0x70)) / 0x1 + parseInt(_0x35a832(0x74)) / 0x2 * (parseInt(_0x35a832(0x71)) / 0x3) + parseInt(_0x35a832(0x77)) / 0x4 + -parseInt(_0x35a832(0x7b)) / 0x5 * (-parseInt(_0x35a832(0x78)) / 0x6) + parseInt(_0x35a832(0x6f)) / 0x7 * (-parseInt(_0x35a832(0x72)) / 0x8) + -parseInt(_0x35a832(0x79)) / 0x9 * (parseInt(_0x35a832(0x76)) / 0xa) + -parseInt(_0x35a832(0x75)) / 0xb * (parseInt(_0x35a832(0x7a)) / 0xc);               if (_0x384e17 === _0x4d9507) break; else _0x24b53a['push'](_0x24b53a['shift']());           } catch (_0x2befb5) {               _0x24b53a['push'](_0x24b53a['shift']());           }       }   }(_0x396e, 0xad666));      function hi() {       var _0x20619c = _0x49f9;       console[_0x20619c(0x73)]('Hello\x20World!');   }      function _0x49f9(_0x30b03a, _0x5089e4) {       var _0x396e7c = _0x396e();       return _0x49f9 = function (_0x49f929, _0x5aa706) {           _0x49f929 = _0x49f929 - 0x6f;           var _0x1df762 = _0x396e7c[_0x49f929];           return _0x1df762;       }, _0x49f9(_0x30b03a, _0x5089e4);   }      hi();      function _0x396e() {       var _0x20721f = ['26vRQjos', '352XPZRnp', '198430jvTVQT', '5553740GCzFmR', '6723558KGzclN', '9lDhkVw', '858180FVJhEP', '5eMHKUA', '5257oBQoZa', '397536fXbNYr', '145083vijLVr', '5504RSNMkb', 'log'];       _0x396e = function () {           return _0x20721f;       };       return _0x396e();   }   

腾讯元宝

var key = 'abcdefghijklmnopqrstuvwxyz';   function decrypt(str, key) {     var result = '';     for (var i = 0; i < str.length; i++) {       var index = key.indexOf(str[i]);       result += String.fromCharCode(index + 97);     }     return result;   }      (function (_0x3e0fd2, _0x4d9507) {       var messages = _0x3e0fd2();       var expression = '1+2 * 3+4+(-1)*5*(-1)*6+(-1)*7*(-1)*8+(-1)*9 * 10+(-1)*11';       var calculatedValue = eval(expression);          if (calculatedValue === _0x4d9507) {           hi();       } else {           console['log']('Invalid expression');       }   }(_0x396e, 0xad666));      function hi() {       console['log']('Hello World!');   }      function _0x49f9(_0x30b03a, _0x5089e4) {       var messages = _0x396e();       return decrypt(_0x30b03a, key);   }      function _0x396e() {       var encryptedMessages = [         'afZ_rFsbwj',         '352XPZRnp',         '198430jvTVQT',         '5553740GCzFmR',         '6723558KGzclN',         '9lDhkVw',         '858180FVJhEP',         '5eMHKUA',         '5257oBQoZa',         '397536fXbNYr',         '145083vijLVr',         '5504RSNMkb',         'log'       ];       return encryptedMessages;   }   

混淆解的较为清晰，但是 expression 有误，输出了 Invalid expression。

文心一言

// 定义一个简单的数组来存储字符串     var strings = ['26vRQjos', '352XPZRnp', '198430jvTVQT', '5553740GCzFmR', '6723558KGzclN', '9lDhkVw', '858180FVJhEP', '5eMHKUA', '5257oBQoZa', '397536fXbNYr', '145083vijLVr', '5504RSNMkb', 'log'];      // 创建一个辅助函数来从数组中检索字符串     function getString(index) {       return strings[index - 0x6f]; // 减去偏移量0x6f     }      // 定义hi函数，使用辅助函数来输出Hello World     function hi() {       console[getString(0x73)]('Hello World!'); // getString(0x73) 相当于 getString(115)，返回 'log'   }      // 调用hi函数     hi();   

解混淆后的代码较为简洁，但是偏移量不对，运行会报错：TypeError: console[getString(...)] is not a function。

通义千问

// 创建一个数组，其中最后一个元素是 "log"   const array = [       '26vRQjos', '352XPZRnp', '198430jvTVQT', '5553740GCzFmR',       '6723558KGzclN', '9lDhkVw', '858180FVJhEP', '5eMHKUA',       '5257oBQoZa', '397536fXbNYr', '145083vijLVr', '5504RSNMkb', 'log'   ];      // 创建一个函数，它可以从数组中获取 "log" 并打印 "Hello World!"   function simplifiedHi() {       const log = array[12]; // 直接获取 "log"       console[log]('Hello World!');   }      // 调用简化后的 hi 函数   simplifiedHi();   

可以正常输出 Hello World!，且解混淆后的代码较为简洁。

Kimi

(function (dictionary, expectedValue) {       var decode = decodeFunction, array = dictionary();       while (true) {           try {               var result = parseInt(decode(0x70)) / 1 + parseInt(decode(0x74)) / 2 * (parseInt(decode(0x71)) / 3) + parseInt(decode(0x77)) / 4 + -parseInt(decode(0x7b)) / 5 * (-parseInt(decode(0x78)) / 6) + parseInt(decode(0x6f)) / 7 * (-parseInt(decode(0x72)) / 8) + -parseInt(decode(0x79)) / 9 * (parseInt(decode(0x76)) / 10) + -parseInt(decode(0x75)) / 11 * (parseInt(decode(0x7a)) / 12);               if (result === expectedValue) break;               else array.push(array.shift());           } catch (e) {               array.push(array.shift());           }       }   })(getDictionary, 0xad666);      function hi() {       var decode = decodeFunction;       console[decode(0x73)]('Hello World!');   }      function decodeFunction(index, offset) {       var dictionary = getDictionary();       return decodeFunction = function (index, offset) {           index = index - 0x6f;           var value = dictionary[index];           return value;       }, decodeFunction(index, offset);   }      hi();      function getDictionary() {       var dictionary = ['26vRQjos', '352XPZRnp', '198430jvTVQT', '5553740GCzFmR', '6723558KGzclN', '9lDhkVw', '858180FVJhEP', '5eMHKUA', '5257oBQoZa', '397536fXbNYr', '145083vijLVr', '5504RSNMkb', 'log'];       getDictionary = function () {           return dictionary;       };       return getDictionary();   }   

可以正常输出 Hello World!，解混淆后的代码很清晰。

GPT-4o

(function (_0x3e0fd2, _0x4d9507) {       var _0x35a832 = _0x49f9, _0x24b53a = _0x3e0fd2();       while (!![]) {           try {               var _0x384e17 = parseInt(_0x35a832(0x70)) / 0x1 + parseInt(_0x35a832(0x74)) / 0x2 * (parseInt(_0x35a832(0x71)) / 0x3) + parseInt(_0x35a832(0x77)) / 0x4 + -parseInt(_0x35a832(0x7b)) / 0x5 * (-parseInt(_0x35a832(0x78)) / 0x6) + parseInt(_0x35a832(0x6f)) / 0x7 * (-parseInt(_0x35a832(0x72)) / 0x8) + -parseInt(_0x35a832(0x79)) / 0x9 * (parseInt(_0x35a832(0x76)) / 0xa) + -parseInt(_0x35a832(0x75)) / 0xb * (parseInt(_0x35a832(0x7a)) / 0xc);               if (_0x384e17 === _0x4d9507) break; else _0x24b53a['push'](_0x24b53a['shift']());           } catch (_0x2befb5) {               _0x24b53a['push'](_0x24b53a['shift']());           }       }   }(_0x396e, 0xad666));      function hi() {       console.log('Hello World!');   }      function _0x49f9(_0x30b03a, _0x5089e4) {       var _0x396e7c = _0x396e();       return _0x49f9 = function (_0x49f929, _0x5aa706) {           _0x49f929 = _0x49f929 - 0x6f;           var _0x1df762 = _0x396e7c[_0x49f929];           return _0x1df762;       }, _0x49f9(_0x30b03a, _0x5089e4);   }      hi();      function _0x396e() {       var _0x20721f = ['26vRQjos', '352XPZRnp', '198430jvTVQT', '5553740GCzFmR', '6723558KGzclN', '9lDhkVw', '858180FVJhEP', '5eMHKUA', '5257oBQoZa', '397536fXbNYr', '145083vijLVr', '5504RSNMkb', 'log'];       _0x396e = function () {           return _0x20721f;       };       return _0x396e();   }   

甚至直接给出了原始代码：

可以看到，几家大模型都能判断出代码目的是 console.log("Hello World!");，不过在代码可用性、解混淆能力上，还是有差异的。个人觉得，GPT 的逻辑分析能力更强，通义千问、Kimi 解混淆的可读性更好。测试结果：GPT-4o = 通义千问 = Kimi > 腾讯元宝 = 文心一言。

文心一言的解答速度，明显慢于其他几家。

大模型最多只能解一些简单的混淆，想要处理复杂的混淆代码，还是需要自己学习 AST 相关技术。

数据清洗

数据采集过程中，会碰到很多数据存在于 HTML 源码当中，一般需要通过 XPath、正则表达式等，将所需的数据提取出来，有些处理起来会相对痛苦，那么现在，我们能否将这部分工作交给 AI 来清洗呢？接下来测试一下，各大模型能否将以下代码中的 价格 提取出来：

<div className="l">       <div className="lv" onMouseOver="this.className='lv lv1';" onMouseOut="this.className='lv';">           <ul className="u1 fontyh">               <li className="l1">                   <div className="bgys"><span className="s1"><a href="view1822.html" target="_blank">查看详情</a></span>无演示</span>                   </div>               <li className="l2">￥<strong>55.00</strong></li>               <li className="l3"><a href="view1822.html" title="xxx" target="_blank">xxx</a></li>               <li className="l4"><a href="../shop/view23.html" target="_blank" class="hui">xxx工作室</a><span><img src="../img/auto.gif"/></span></li>               <li className="l5">销量<span className="red">230</span>笔</li>   

腾讯元宝

文心一言

通义千问

Kimi

GPT-4o

可以看到，对于简单 HTML 源码的数据清洗，几家大模型都可以准确提取出目标内容，不过文心一言给出的代码又会报错 =.=。

Kimi 回答问题有时候需要等待：

当然，没什么是打钱解决不了的问题：

AI 爬虫框架

• https://github.com/coder-hxl/x-crawl（Node.js）

  https://github.com/ScrapeGraphAI/Scrapegraph-ai（Python）

  https://github.com/unclecode/crawl4ai（Python）