百度贴吧验证码识别研究小记

 

在“验证码破解实战一例”中提到曾捣鼓过百度贴吧的验证码，不过分割始终做不好，最近整理了下，记在这里吧。

 

 

效果演示程序下载：TiebaCode.rar

 

 

效果截图：

 

 

 

 

 

由于分割工作做的不好，演示程序识别过程中有时会多次刷新验证码以达到较好的分割效果。

 

 

另外，之前捣鼓这的时候也顺便折腾了下使用python模拟百度贴吧发帖，不过一直没能成功，在此给出模拟发帖的源代码，还望高手看到后能指点指点。

 

#coding=utf8 import urllib import urllib2 import cookielib import re import time import random headers = [('User-Agent' ,'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1')] ck = cookielib.CookieJar() opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(ck)) opener.addheaders = headers urllib2.install_opener(opener) try: tiebastr = 'abcd' tiebaurl = 'http://tieba.baidu.com/f?kw='+tiebastr content = opener.open(tiebaurl).read() rs1 = '0' rs10 = '1' tn = 'antiAnswerJson' word = 'abcd' cm = '59201' pattern = r'//f/?ct=(/d+)&cm=' regexp = re.compile(pattern) ct = regexp.findall(content)[0] pattern = r'<input type="hidden" name="lm" id="lm" value="([^"]*)"' regexp = re.compile(pattern) lm = regexp.findall(content)[0] pattern = r'<input type="hidden" name="str3" id="str3" value="([^"]*)"' regexp = re.compile(pattern) str3 = regexp.findall(content)[0] pattern = r'<input type="hidden" name="str4" id="str4" value="([^"]*)"' regexp = re.compile(pattern) str4 = regexp.findall(content)[0] jsonVcode_url = 'http://tieba.baidu.com/f?ct='+ct+'&cm='+cm+'&tn=antiAnswerJson&rs1='+rs1+'&rs10='+rs10+'&lm='+lm+'&word='+word print jsonVcode_url pattern = r'<input type="hidden" name="ct" id="ct" value="([^"]*)"' regexp = re.compile(pattern) ct = regexp.findall(content)[0] content = opener.open(jsonVcode_url).read() pattern = r'vcodeUrl:"([^"]+)"' regexp = re.compile(pattern) vcodeurl = regexp.findall(content)[0] vcodeurl = vcodeurl #+ '&t='+str(random.random()) print vcodeurl content = opener.open(vcodeurl).read() pattern = r'nbdSignStr:"([^"]+)"' regexp = re.compile(pattern) signstr = regexp.findall(content)[0] imgurl = 'http://verify.baidu.com/cgi-bin/genimg?'+signstr #+ '&t='+str(random.random()) response = opener.open(imgurl) imagedata = response.read() f=open('code.jpeg', 'wb') f.write(imagedata) f.close() z = '0' sc = '0' cm = '0' rs = '0' bs = signstr str2 = '0' rs3 = '0' str1 = '' rs4 = '1' code = '1' rs14 = '0' ti = 'test' add_post_submit = ' 发 表 ' co = 'rt' word1 = raw_input('/ninput verify code:') post = {'ct':ct, 'tn':'ajaxThreadSubmit', 'word':word, 'lm':lm, 'z':z, 'sc':sc, 'cm':cm, 'rs':rs, 'bs':bs, 'str2':str2, 'rs3':rs3, 'str3':str3, 'str4':str4, 'str1':str1, 'rs4':rs4, 'code':code, 'rs14':rs14, 'ti':ti, 'word1':word1, 'co':co, 'add_post_submit':add_post_submit} # postbody = 'ct='+ct+'&tn=ajaxThreadSubmit&word=abc&lm='+lm+'&z=0&sc=0&cm=0&rs=0&bs='+bs+'&str2='+str2+'&rs3='+rs3+'&str3='+str3+'&str4='+str4+'&str1='+str1+'&rs4='+rs4+'&code='+code+'&rs14='+rs14+'&ti='+ti+'&word1='+word1+'&co='+co+'&add_post_submit='+add_post_submit posturl = 'http://tieba.baidu.com/f' print urllib.urlencode(post).replace('+', '%20') reponse = opener.open(posturl, urllib.urlencode(post).replace('+', '%20')) rep = reponse.read() f=open('1.html', 'w') f.write(rep) f.close() except Exception, e: pass

 

 

 

之所以没能模拟成功，自己琢磨着还是验证码获取那部分有问题，程序最后会返回贴吧验证发帖的js代码，如下

 

 

{ resultNo : 308, fid : '0', tid : '0', vid : '', sign : '62fa552949d7e546b334a405d7edd2ed', bdauditreason : 0, bdQueryWordEnc : "abcd", isNeedWaitForCheck : function(){ var need = false; switch(this.resultNo){ case 9: case 20: case 23: need = true; break; default: break; } return need; }, Action_FocusTitle : "focusTitle" , Action_FocusContent : "focusContent" , Action_ClearYZM : "clearYZM" , Action_FocusUrl : "focusUrl" , Action_GoToHead : "goToHead" , Action_FlushAndGoToHead : "flushAndGoToHead" , getActionType : function(){ var type = ""; switch(this.resultNo){ case 10: case 14: case 501: case 15: case 36: case 41: case 42: case 43: case 46: type = this.Action_FocusContent; break; case 11: case 20: type = this.Action_FocusTitle; break; case 17: case 0: type = this.Action_FlushAndGoToHead; break; case 22: case 9: case 23: case 119: case 44: case 100: case 703: case 704: case 705: type = this.Action_GoToHead; break; case 38: case 39: case 40: type = this.Action_ClearYZM; break; case 1120: case 1121: type = this.Action_FocusUrl; break; default: break; } return type; } , getMessage : function(){ var message = ""; if(this.resultNo>=901&&this.resultNo<=950){ return ""; } switch(this.resultNo){ case 10: message = "贴子内容包含太少的文字"; break; case 11: message = "贴子标题和内容太长"; break; case 12: message = "您的帐号由于违规操作而被封，目前无权限进行该操作。"; break; case 13: message = "您的网络地址由于非法操作被封"; break; case 14: message = "您发布的贴子已经存在"; break; case 501: case 15: message = "请不要发表含有不适当内容的留言<br>请不要发表广告贴"; break; case 16: message = "对不起，您所输入的贴吧不存在。由于系统升级维护，新建贴吧功能暂停，希望得到您的谅解！"; break; case 19: case 200: case 201: case 202: message = "您的用户名或者密码填写有误，请确认后再发表"; break; case 20: message = "您发表的贴子的标题包含太少的文字，请修改后再发表"; break; case 17: message = "本吧当前只能浏览，不能发贴！"; break; case 18: case 21: message = "其他未知原因"; break; case 22: message = "您发表的贴子已经成功提交，由于特殊原因我们需要核实该贴内容是否含有不良信息，我们会在10分钟内确认，请您耐心等待！"; break; case 9: message = this.getCheckMessage(this.bdauditreason); break; case 33: message = "您发贴速度太快了。为了减少恶意灌水和广告贴，系统对匿名发贴进行严格的控制，登录用户不受影响"; break; case 34: message = "您发贴速度太快了。为了减少恶意灌水和广告帖，系统对匿名发贴进行严格的控制，登录用户不受影响"; break; case 35: message = "您发贴速度太快了。为了减少恶意灌水和广告贴，系统对匿名发贴进行严格的控制，登录用户不受影响"; break; case 36: message = "请不要发广告贴！"; break; case 37: message = "您已尝试提交多次了，请返回后刷新页面，方可重新发贴"; break; case 38: message = "验证码超时，请重新输入"; break; case 39: message = "由于您多次输错验证码，请您返回后刷新页面，方可重新发贴"; break; case 40: message = "验证码输入错误，请您返回后重新输入"; break; case 41: message = "您的贴子可能包含不合适的内容，请您确定后再提交"; break; case 42: message = "您的发贴行为被系统认为有发广告嫌疑，请您稍后再发"; break; case 43: message = "您的发贴行为或贴子内容有广告或不合适的特征，请您确定后再发送"; break; case 23: message = "您的贴子已经成功提交，但需要系统审核通过后才能建立贴吧"; break; case 119: message = "对不起，本主题的回复数已经达到上限，感谢您的参与，欢迎您浏览本吧的其它主题"; break; case 1120: message = "抱歉，您输入的图片、视频链接地址错误，您可以点击<a href="http://www.baidu.com/search/post_img.html" mce_href="http://www.baidu.com/search/post_img.html" target='_blank'>查看相关帮助</a>或返回修改"; break; case 1121: message = "抱歉，视频服务升级中，您暂时无法发表带有视频的贴子，给您带来的不便请原谅"; break; case 44: message = "对不起，本吧暂时限制部分用户发表主题贴子，您可以浏览或回复本吧其它内容，给您带来不便希望得到您的谅解。"; break; case 100: message = "对不起，本吧暂时限制部分用户使用完整的贴吧功能，您可以浏览本吧其它内容，给您带来不便希望得到您的谅解。"; break; //会员二期新加 case 701: message = "为了减少恶意灌水和广告帖，本吧不允许未登录用户发贴，登录用户不受影响，给您带来的不便深表歉意"; break; case 702: message = "为了减少恶意灌水和广告帖，本吧限制部分用户发贴，给您带来的不便深表歉意"; break; case 703: message = "为了减少恶意灌水和广告帖，本吧被设置为仅本吧会员才能发贴，给您带来的不便深表歉意。<a href="/f?kw=" + this.bdQueryWordEnc + "#1" mce_href="f?kw=" + this.bdQueryWordEnc + "#1" target=_blank>点此申请加入</a>本吧会员"; break; case 704: message = "为了减少恶意灌水和广告帖，本吧被设置为仅本吧管理团队才能发贴，给您带来的不便深表歉意"; break; case 705: message = "本吧当前只能浏览，不能发贴！"; break; case 706: message = "抱歉，本贴暂时无法回复。"; break; //特殊字符判断 case 45: message = "抱歉，您提交的贴吧名称含特殊字符，目前无法创建，推荐您使用汉字、字母或数字作为贴吧名称"; break; case 46: message = "抱歉，您的贴子过长，无法正常提交。建议您精简或分段后重新提交，谢谢!"; break; // 富编辑器插视频图片隐含错误 case 800: // errPostVideoUrl break; case 801: // errPostVideoWidth break; case 802: // errPostVideoHeight break; case 803: // errPostImgUrl break; case 804: // errPostImgWidth break; case 805: // errPostImgHeight break; case 806: // errPostVideoAttrNotEnough break; case 807: // errPostImgAttrNotEnough break; case 808: // errPostVideoNumTooMuch break; case 809: // errPostImgNumTooMuch break; case 814: // errPostImgFaceNumTooMuch break; default: message = "未知错误"; break; } return message; }, getCheckMessage : function(no){ var msg = ""; switch(no) { case -61: msg = "您的贴子已经成功提交，但为了保证贴子质量，本吧所发的贴子待系统审核通过后才能显示，请您耐心等待"; break; case -62: msg = "您的贴子已经成功提交，但为了保证贴子质量，本吧贴图的贴子需要审核通过后才能显示，请您耐心等待"; break; case -74: case -75: case -60: msg = "您发表的贴子已经成功提交，但系统需要核实该贴子内容是否含有不良信息，贴子在审核通过后才能显示，请您耐心等待"; break; case -70: msg = "您的贴子已经成功提交，但为了控制广告贴，需要通过审核后才能发布。登陆署名发贴不受此限制。"; break; case -71: msg = "您发表的帖子太长了。为了防止灌水，需系统审核后才能显示，请稍后查看"; break; default: msg = "您发表的贴子已经成功提交，但系统需要核实该贴子内容是否含有不良信息，贴子在审核通过后才能显示，请您耐心等待"; break; } return msg; } }

 

成功发帖的resultNo为0，而我的程序的返回结果一直是308，308在上述的js代码中没有给出出错定义，不过我记得之前弄这个的时候一直返回的是38，38给出的出错原因是验证码超时，我怀疑这个308其实就是38所代表的含义。我曾经对一款百度发贴机发帖过程抓包，其处理验证码的部分跟我上面的程序基本没区别，现在真不知道问题出在哪。