利用百度ocr简单模拟登录一高校网站过程记录

百度ocr进行验证码识别，然后模拟登录一个高校的某一网站，最终的验证码识别出来了，但模拟登录没有成功。过了一天，又学习了一下， 发现是两次登陆时的cookie不一致导致的，把这个解决之后，模拟登陆才成功，这里记录一下整个过程

注意，程序里面出现的涉及path，password，username，Access_Key，Secret_Key等信息的需要自行替换

本来想用pytesseract进行文字识别，但是经过好几次尝试都因为安装速度太慢导致安装失败。后面在网上看这个东西直接进行文字识别效果不太好，需要后面进行训练，就暂时选择了放弃。后面就用了百度文字识别。
百度文字识别文档，根据这个高精度文字识别写的baidu_ocr_accurate_basic.py，如下：

• baidu_ocr_accurate_basic.py

# encoding:utf-8

import requests
import base64
import json

# 获取access_token
host = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials' \
       '&client_id=Access_Key&client_secret=Secret_Key'

rsp = requests.get(url=host).json()
access_token = rsp['access_token']


'''
通用文字识别（高精度版）
'''


# 二进制方式打开图片文件
def verify_text(image_path):
    request_url = "https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic"
    f = open(image_path, 'rb')
    img = base64.b64encode(f.read())
    f.close()

    params = {"image":img}
    request_url = request_url + "?access_token=" + access_token
    headers = {'content-type': 'application/x-www-form-urlencoded'}
    response = requests.post(request_url, data=params, headers=headers).text
    result_json = json.loads(response)

    text = ''
    for words_result in result_json["words_result"]:
        text = text + words_result["words"]

    return text

• 另一种文字识别的接口——超级鹰
  chaojiying.py

#!/usr/bin/env python
# coding:utf-8

import requests
from hashlib import md5

class Chaojiying_Client(object):

    def __init__(self, username, password, soft_id):
        self.username = username
        password =  password.encode('utf8')
        self.password = md5(password).hexdigest()
        self.soft_id = soft_id
        self.base_params = {
            'user': self.username,
            'pass2': self.password,
            'softid': self.soft_id,
        }
        self.headers = {
            'Connection': 'Keep-Alive',
            'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
        }

    def PostPic(self, im, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            'codetype': codetype,
        }
        params.update(self.base_params)
        files = {'userfile': ('ccc.jpg', im)}
        r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files, headers=self.headers)
        return r.json()

    def ReportError(self, im_id):
        """
        im_id:报错题目的图片ID
        """
        params = {
            'id': im_id,
        }
        params.update(self.base_params)
        r = requests.post('http://upload.chaojiying.net/Upload/ReportError.php', data=params, headers=self.headers)
        return r.json()


def verify_text(image_path):

    chaojiying = Chaojiying_Client('username', 'password', '软件ID')	
    # im = open('job_cqu_verify.png', 'rb').read()													
    # wtf
    im = open(image_path, 'rb').read()
    text = chaojiying.PostPic(im, 1902)['pic_str']
    print('text:', text)
    return text

• simulate_login.py

import requests
from lxml import etree

# from spider_basic.expand.chaojiying import verify_text
from spider_basic.expand.baidu_ocr_accurate_basic import verify_text

# 创建session对象
session = requests.Session()
url_login = 'http://job.cqu.edu.cn/user/login?callback=login'

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
                  '(KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36'
}


# 获取验证码图片
rsp = session.get(url=url_login, headers=headers).text
tree = etree.HTML(rsp)
image_src = 'http://job.cqu.edu.cn' + tree.xpath('//*[@id="verifyCodeImage"]/@src')[0]

image_content = session.get(url=image_src, headers=headers).content
image_path = './job_cqu_verify.png'
with open(image_path, 'wb') as f:
    f.write(image_content)

# 调用百度ocr接口进行验证码识别
verify_data = verify_text(image_path)
verify_code = ''
for i in verify_data:
    if i != ' ':
        verify_code += i


# 进行模拟登录
data = {
    'username': '',
    'university': '',
    'loginType': 'normal',
    'password': '',
    'verifyCode': verify_code,
    'loginsubmit': '1',
}

print('verify_data: {} 长度为{}'.format(verify_data, len(verify_data)))
print('verify_code: {} 长度为{}'.format(verify_code, len(verify_code)))

# rsp_simulate = requests.get(url=url_login, data=data, headers=headers)
#注意这里的请求方式
rsp_simulate = session.post(url=url_login, data=data, headers=headers)
print('status:', rsp_simulate.status_code)

with open('./success_login.html', 'w', encoding='utf-8') as f:
    f.write(rsp_simulate.text)

结果

• 控制台运行结果
  

• 浏览器打开结果
  
  

• 不过由于这个网站还有别的反模拟登录措施，过一会儿页面就会显示
  
  不过管他的，反正是模拟登陆上了

过程记录

• image_src 没有加前面的部分
• 模拟登录时的请求方法应该为post，而不是get
• 这里的baidu_ocr_accurate_basic.py很坑的一点是它返回的验证码常常会多一两个空格，这个过了好久才注意到，
• 这个简单的文字识别竟然不能识别验证码里面有线条的
• 如果在程序中没有创建session对象的话，浏览器打开就会出现验证码不正确。因为验证码的请求会返回一个cookie，所以需要创建session对象，利用session发起请求的话会把把返回的cookie自动加载进去。

参考链接