Python处理超强反爬(TSec防火墙+CSS图片背景偏移定位)

大家好，我是小小明，今天看到一个网站：

太神奇了，对于每个数字都用css背景图片裁切得到一张小图进行显示。可以确定的是每个数字的图片大小是8*17。

今天我们就一起玩玩。

开始测试

先尝试用request读取数据，结果获得一大堆极度混淆的JS的代码。然后尝试用selenium访问，结果：

感觉这个防火墙有点叼。

算了，使用大杀器来隐藏模拟浏览器的特征：

from selenium.webdriver import ChromeOptions
from selenium import webdriver
browser = webdriver.Chrome()

option = ChromeOptions()
option.add_experimental_option('excludeSwitches', ['enable-automation'])
option.add_experimental_option('useAutomationExtension', False)
option.add_argument(
    'user-agent=Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36')
option.add_argument("--disable-blink-features=AutomationControlled")
browser = webdriver.Chrome(options=option)

with open('stealth.min.js') as f:
    js = f.read()
browser.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {
    'source': js
})
url = 'http://hotels.huazhu.com/inthotel/detail/9005308'
browser.get(url)

这回页面总算是出来了：

然而价格有时并不显示，只能多刷新几下页面：

多次访问之后，数据总算能看到了。

下面让模拟器模拟点击查看全部价格：

from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

wait = WebDriverWait(browser, 10)

table = wait.until(EC.element_to_be_clickable(
    (By.CSS_SELECTOR, '#Pdetail_part2 table')))
table.location_once_scrolled_into_view

{'x': 0, 'y': 0}

more_click = wait.until(EC.element_to_be_clickable(
    (By.CSS_SELECTOR, '#Pdetail_part2 a[class="viewallprice"]')))
more_click.click()

这样7条价格数据，我们就全部能够看到了。

下面我们开始抓取我们需要的数据：

截图获取需要的数据

from io import BytesIO
import base64
from PIL import Image

for tr in table.find_elements_by_css_selector("table tr[class^='room first']"):
    print(tr.find_element_by_tag_name("h3").text)
    price = tr.find_element_by_css_selector(
        "div>a[class^='totalprice']")
    img_data = base64.b64decode(price.screenshot_as_base64)
    img = Image.open(BytesIO(img_data))
    display(img)

调整鼠标滑动的位置后再来一次：

说明截图有时截的并不准确，想要精准截图也非常困难，因为无法通过程序准确滚动到应该的位置。

光截图就能搞定，那就太简单了。

本文的主要目前还是为了演示解析CSS，咱们继续采用解析法来获取数据：

解析CSS获取图片数据

首先我们解析出我们需要的数据：

img_url = None
for tr in table.find_elements_by_css_selector("table tr[class^='room first']"):
    name = tr.find_element_by_tag_name("h3").text
    print(name)
    price = tr.find_element_by_css_selector("div>a[class^='totalprice']")
    for var in price.find_elements_by_tag_name("var"):
        if img_url is None:
            img_url = var.value_of_css_property("background-image")[5:-2]
            print(img_url)
        position = var.value_of_css_property("background-position")
        w, h = map(lambda x: int(x[1:-2]), position.split())
        print(w, h)

高级大床房
http://hotels.huazhu.com/Blur/Pic?b=81efc0b8e3094942a81d01e311864270
170 2
188 2
126 2
豪华大床房
170 2
33 2
56 2
豪华双床房
145 2
2 2
188 2
观景豪华大床房
145 2
170 2
111 2
行政大床房
33 2
56 2
56 2
行政双床房
201 2
2 2
145 2
行政套房
2 2
2 2
33 2
188 2

尝试下载CSS背景图片：

browser.get(img_url)

结果又是被腾讯T-Sec Web应用防火墙(WAF)拦截的页面，说明直接用selenium下载图片行不通。

用request下载呢？ 经尝试也老是被拦截。

最终，写出了如下代码（还能较为顺利的获取图片数据）：

import requests
from io import BytesIO
import base64
from PIL import Image

def download_img(img_url):
    cookies = {o['name']: o['value'] for o in browser.get_cookies()}
    headers = {
        "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
        "Accept-Encoding": "gzip, deflate",
        "Accept-Language": "zh-CN,zh;q=0.9",
        "Cache-Control": "max-age=0",
        "Connection": "keep-alive",
        "Host": "hotels.huazhu.com",
        "Upgrade-Insecure-Requests": "1",
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36"
    }

    for _ in range(10):
        r = requests.get(img_url, headers=headers, cookies=cookies)
        if r.status_code == 200:
            break
    else:
        return None
    img = Image.open(BytesIO(r.content))
    return img


img = download_img(img_url)
img

有了图片，我们就可以裁剪出相应的数字图片并进行拼接了。

对最后一条数据进行测试：

可以看到解析和拼接的效果非常不错。

然后测试批量的数据提取：

img_url = None
for tr in table.find_elements_by_css_selector("table tr[class^='room first']"):
    name = tr.find_element_by_tag_name("h3").text
    print(name)
    price = tr.find_element_by_css_selector("div>a[class^='totalprice']")
    var_el_s = price.find_elements_by_tag_name("var")
    n = len(var_el_s)
    target = Image.new('RGB', (10 * n, 17), color=(255, 255, 255))
    for i, var in enumerate(var_el_s):
        if img_url is None:
            img_url = var.value_of_css_property("background-image")[5:-2]
            img = download_img(img_url)
        position = var.value_of_css_property("background-position")
        w, h = map(lambda x: int(x[1:-2]), position.split())
        r = img.crop((w, h, w+8, h+17))
        target.paste(r, (10*i, 0), r)
    display(target)

可以看到已经顺利的得到了需要的结果，与网站看到的数据一致：

剩下的我们仅仅只需要对拼接好的图片进行图像识别即可，或者就直接原有图片形式保存。

图像识别

关于图像识别，有在线识别和离线识别两种方式。在线文字可以考虑使用百度云，腾讯云等，根据官网提供的接口进行操作。

下面呢，我们尝试进行离线文字识别，离线文字识别的准确率往往不如在线。

为了更好的识别效果，我们先对图片进行二值化处理：

def image_binarization(im, threshold=250):
    Lim = im.convert("L")
    table = [0 if i < threshold else 1 for i in range(256)]
    return Lim.point(table, "1")

image_binarization(target)

下面我们需要安装pytesseract和Tesseract-OCR。

pytesseract是一个Python库：

pip insatll pytesseract

Tesseract-OCR则需要在https://digi.bib.uni-mannheim.de/tesseract/下载安装包。

由于网络原因，我在https://www.liangchan.net/liangchan/11545.html下载了一个。

项目地址：https://github.com/tesseract-ocr/tesseract

安装完成后，添加安装路径到path环境变量，命令行执行后出现如下提示说明安装成功：

C:\Users\ASUS>tesseract -v
tesseract v5.0.0.20190623
 leptonica-1.78.0
  libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.5.3) : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.3.0
 Found AVX2
 Found AVX
 Found SSE

C:\Users\ASUS>

然后我们开始识别：

import pytesseract

text = pytesseract.image_to_string(image_binarization(target)).strip()
print(text)

于是可以开始进行批量识别了：

import pytesseract

for tr in table.find_elements_by_css_selector("table tr[class^='room first']"):
    name = tr.find_element_by_tag_name("h3").text
    price = tr.find_element_by_css_selector("div>a[class^='totalprice']")
    var_el_s = price.find_elements_by_tag_name("var")
    n = len(var_el_s)
    target = Image.new('RGB', (10 * n, 17), color=(255, 255, 255))
    for i, var in enumerate(var_el_s):
        if img_url is None:
            img_url = var.value_of_css_property("background-image")[5:-2]
            img = download_img(img_url)
        position = var.value_of_css_property("background-position")
        w, h = map(lambda x: int(x[1:-2]), position.split())
        r = img.crop((w, h, w+8, h+17))
        target.paste(r, (10*i, 0), r)
    display(target)
    text = pytesseract.image_to_string(image_binarization(target)).strip()
    print(name, text)

从结果可以看到，识别的准确率还是非常高的，至少目前看到的全部都正确了。

Biegral Blog