Python 豆瓣頂帖

morethink發表於2019-01-02

Python

由於在豆瓣發了個租房帖子，發現很快就被其他的帖子淹沒，但是手動頂帖實在太累，?，所以想通過自動頂帖的方式來解放雙手！

評論請求分析

通過Chrome network 分析

評論url是https://www.douban.com/group/topic/129122199/add_comment
需要帶5個引數，其中 ck 是 cookie 裡面的值，rv_comment 是評論
返回302代表重定向

Python 模擬請求：

# 豆瓣具體帖子
url = "https://www.douban.com/group/topic/129122199/"
# 豆瓣具體帖子回覆的介面，格式是帖子連結+/add_comment
comment_url = url + "/add_comment"
cookie = 'cookie'
referer = url
agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'
headers = {
    "Host": "www.douban.com",
    "Referer": referer,
    'User-Agent': agent,
    "Cookie": cookie
}
params = {
    "rv_comment": '?',
    "ck": re.findall("ck=(.*?);", headers["Cookie"])[-1],
    'start': '0',
    'submit_btn': '傳送'
}
response = requests.post(comment_url, headers=headers, allow_redirects=False,
                         data=params, verify=False)
複製程式碼

直接執行即可。

但是多執行幾次就會發現，返回的狀態碼是200，而且沒有頂帖成功。實際上是觸發了豆瓣的防爬蟲。

而且在我們頂帖的時候傳送請求的時候還帶有 captcha-solution 和 captcha-id 欄位。

目前發現，每次評論就算相隔1分鐘，只要滿3次，就一定會彈出這個驗證碼進行驗證。

驗證碼解析

遇到驗證碼我們就來破解驗證碼。

tesserocr

識別圖形驗證碼需要安裝tesserocr這個庫，下面介紹下tesserocr。

tesserocr是Python的一個OCR識別庫，但其實是對tesseract做了一層Python Api的封裝，核心還是tesseract，所以在安裝tesserocr之前，需要先安裝tesseract。Tesseract(/‘tesərækt/) 這個詞的意思是”超立方體”，指的是幾何學裡的四維標準方體，又稱”正八胞體”，是一款被廣泛使用的開源 OCR 工具。

在Mac下，使用 brew 安裝

brew install tesseract --all-languages
複製程式碼

接下來再安裝tesserocr即可：

brew install imagemagick
pip install tesserocr pillow
複製程式碼

Python 程式碼如下：

import tesserocr

from PIL import Image

if __name__ == '__main__':
    # 新建Image物件
    image = Image.open("/Users/liwenhao/Desktop/douban-captcha-example1.jpeg")
    # 呼叫tesserocr的image_to_text()方法，傳入image物件完成識別
    result = tesserocr.image_to_text(image)
    print(result)
複製程式碼

驗證的圖片如下：

結果無法識別。

換一張簡單的圖片試試：

結果如下：

5594
複製程式碼

看來 Tesseract 只能識別一些簡單的驗證碼，不適合豆瓣驗證碼識別。

試試識別驗證碼平臺。

百度OCR

官方接入文件: 文字識別-Python SDK接入文件

重點：免費
通用識別（包括身份證、銀行卡）500次/日，
高精度則50次/日，
駕駛證，行駛證，車票，營業執照，通用票據均為200次/日

注意： 支援2.7.+及3.+

配置流程：

先開通個百度的賬號；
開通文字識別服務，開啟後點選立即使用：cloud.baidu.com/product/ocr…
點選步驟2，應該有個資訊確認的，確認後，會進入到使用者個人首頁，向下滑動，直接點選文字識別:
點選建立應用，輸入一堆內容後，點選確認即可，然後點選我的應用，這裡面的API Key 跟Secret Key需要使用到:
點選右上角，使用者中心，使用者ID也需要用到:
需要的資訊準備好了，pip 安裝一波
```
pip install baidu-aip
複製程式碼
```

測試一波

import json

from aip import AipOcr

if __name__ == '__main__':
    APP_ID = ' '
    API_KEY = ' '
    SECRET_KEY = ' '

    client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

    # 讀取圖片
    def get_file_content(file_path):
        with open(file_path, 'rb') as fp:
            return fp.read()


    image = get_file_content('/Users/liwenhao/Desktop/douban-captcha-example2.jpg')
    """ 呼叫通用文字識別(高精度), 圖片引數為本地圖片 """
    result = json.dumps(client.basicAccurate(image))
    print(result)
複製程式碼

驗證的圖片如下：

結果走一波：

{"log_id": 3968431492157876638, "words_result_num": 1, "words_result": [{"words": " minute:"}]}
複製程式碼

從結果可以看出識別出了這個驗證碼。

words_result_num 是識別結果數
words_result 是定位和識別結果陣列
words 是識別結果字串

再來試試

結果如下：

{"log_id": 5251449865676063710, "words_result_num": 0, "words_result": []}
複製程式碼

沒有識別出來，可以看到對於複雜一些的驗證碼還是會出現無法識別的情況，但是勝在免費。

超級鷹

對於無法識別的情況就需要打碼平臺了，業界比較出名的是超級鷹。

超級鷹是按量級收費，量大便宜，標準價格:1元=1000題分，不同驗證碼型別，需要的題分不一樣，詳情可以到這裡查詢 www.chaojiying.com/price.html

python 程式碼如下：

from hashlib import md5
import requests
import json


# 通過超級鷹識別驗證碼
def recognition_captcha(filename, code_type):
    im = open(filename, 'rb').read()
    params = {
        'user': '賬號',
        'pass2': md5('密碼'.encode('utf8')).hexdigest(),
        'softid': 'softid',
        'codetype': code_type
    }
    headers = {
        'Connection': 'Keep-Alive',
        'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
    }
    files = {'userfile': ('ccc.jpg', im)}
    resp = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files,
                         headers=headers).json()
    return resp


# 呼叫程式碼
if __name__ == '__main__':
    print(json.dumps(recognition_captcha('/Users/liwenhao/Desktop/douban-captcha-example2.jpg', 1006)))
複製程式碼

上傳的驗證碼就是上面百度 OCR 未曾識別的驗證碼，如下：

結果如下：

{"err_str": "OK", "err_no": 0, "md5": "0475b05654c376deb409bfef7eee75cd", "pic_id": "8054415552001300054", "pic_str": "yacvmd"}
複製程式碼

發現驗證碼 yacvmd 已出來。但是時間花了5s左右。後來測試發現對於豆瓣比較建的驗證碼花費的時間在1s內，因此從時間和準確性上面，最後還是採用了超級鷹打碼平臺。

失敗微信通知

無論採用什麼方式，都有可能出現失敗的情況，我總不能採取輪詢的方式，隔幾個小時就去看看到底前面幾次是否?成功，因此需要一個非同步通知，最開始想用郵件，後來發現了 Server醬這個神器，可以幫助我們傳送微信通知，而且特別簡單。

具體可以檢視 Server醬。

完整程式碼

採用 python2

import os

import requests
import urllib3
import re
from hashlib import md5
import random
from lxml import html
import logging

logging.basicConfig(level=logging.INFO, format='%(asctime)s.%(msecs)03d %(levelname)s: %(message)s',
                    datefmt='%Y-%m-%d %H:%M:%S')
urllib3.disable_warnings()


# 下載驗證碼圖片
def download_captcha(captcha_url, agent):
    # findall返回的是一個列表
    captcha_name = re.findall("id=(.*?):", captcha_url)
    filename = "douban_%s.jpg" % (str(captcha_name[0]))
    logging.info("檔名為: " + filename)
    with open(filename, 'wb') as f:
        # 以二進位制寫入的模式在本地構建新檔案
        header = {
            'User-Agent': agent,
            'Referer': captcha_url
        }
        f.write(requests.get(captcha_url, headers=header).content)
        logging.info("%s 下載完成" % filename)
    return filename


# 通過超級鷹識別驗證碼
def recognition_captcha(filename, code_type):
    im = open(filename, 'rb').read()
    params = {
        'user': '使用者',
        'pass2': md5('密碼'.encode('utf8')).hexdigest(),
        'softid': 'softid',
        'codetype': code_type
    }
    headers = {
        'Connection': 'Keep-Alive',
        'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
    }
    files = {'userfile': ('ccc.jpg', im)}
    resp = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files,
                         headers=headers).json()
    # 錯誤處理
    if resp.get('err_no', 0) == 0:
        return resp.get('pic_str')


def result_verification(response):
    if response.status_code == 302:
        logging.info("豆瓣ding成功")
    else:
        logging.info(response.status_code)
        logging.info(response)
        url = "https://sc.ftqq.com/你的SCKEY.send?text=douban失敗" + \
              str(random.randint(0, 1000))
        requests.post(url)
        logging.info("豆瓣ding失敗，傳送失敗資訊到微信")


# 豆瓣頂帖
def douban_ding():
    # 豆瓣具體帖子
    url = "https://www.douban.com/group/topic/129122199/"
    # 豆瓣具體帖子回覆的介面，格式是帖子連結+/add_comment
    comment_url = url + "/add_comment"
    cookie = 'cookie'
    referer = url
    agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'
    headers = {
        "Host": "www.douban.com",
        "Referer": referer,
        'User-Agent': agent,
        "Cookie": cookie
    }
    params = {
        "rv_comment": '?',
        "ck": re.findall("ck=(.*?);", headers["Cookie"])[-1],
        'start': '0',
        'submit_btn': '傳送'
    }
    response = requests.get(url, headers=headers, verify=False).content.decode('utf-8')
    selector = html.fromstring(response)
    captcha_image = selector.xpath("//img[@id=\"captcha_image\"]/@src")
    if captcha_image:
        logging.info("發現驗證碼，下載驗證碼")
        captcha_id = selector.xpath("//input[@name=\"captcha-id\"]/@value")
        filename = download_captcha(captcha_image[0], agent)
        captcha_solution = recognition_captcha(filename, 1006)
        os.remove(filename)
        params['captcha-solution'] = captcha_solution
        params['captcha-id'] = captcha_id
    else:
        logging.info("沒有驗證碼")
    response = requests.post(comment_url, headers=headers, allow_redirects=False,
                             data=params, verify=False)
    result_verification(response)


if __name__ == '__main__':
    douban_ding()
複製程式碼

執行結果：

第1次：

2018-12-30 16:09:35.589 INFO: 沒有驗證碼
2018-12-30 16:09:36.436 INFO: 豆瓣ding成功
複製程式碼

第4次：

2018-12-30 16:13:02.135 INFO: 發現驗證碼，下載驗證碼
2018-12-30 16:13:02.135 INFO: 檔名為: douban_OJGsVa0hST4O2WhFA0VpMnR9.jpg
2018-12-30 16:13:02.554 INFO: douban_OJGsVa0hST4O2WhFA0VpMnR9.jpg 下載完成
2018-12-30 16:13:09.687 INFO: 豆瓣ding成功
複製程式碼

效果圖：

注：

頂帖的時候控制好頻率，不然容易被禁言。
豆瓣禁言

JB的Python之旅-豆瓣自動頂貼功能
2018-09-01
Python
Python豆瓣源
2018-11-18
Python
python——豆瓣top250爬取
2021-01-02
Python
豆瓣top250（go版以及python版）
2018-10-22
GoPython
基於Python豆瓣自動化測試【2】
2020-05-29
Python
使用python爬取豆瓣電影TOP250
2021-03-11
Python
Python爬取分析豆瓣電影Top250
2018-09-07
Python
python更換代理爬取豆瓣電影資料
2019-08-03
Python
豆瓣的開發語言：無所不能的python
2014-10-28
Python
Python爬蟲入門教程導航帖
2019-01-08
Python爬蟲
教你用python登陸豆瓣並爬取影評
2019-03-04
Python
Python：獲取豆瓣電影TOP250列表
2017-08-08
Python
06、豆瓣爬蟲
2019-04-11
爬蟲
爬蟲豆瓣美女
2018-11-28
爬蟲
python爬蟲實踐: 豆瓣小組命令列客戶端
2019-02-16
Python爬蟲命令列客戶端
爬蟲練手-豆瓣top250（go版以及python版）
2017-11-11
爬蟲GoPython
大頂堆的python實現
2020-11-29
Python
[轉帖]
2024-05-16
答疑帖
2024-11-13
【Python】從0開始寫爬蟲——轉身扒豆瓣電影
2018-08-16
Python爬蟲
Python爬蟲筆記（4）：利用scrapy爬取豆瓣電影250
2018-11-10
Python爬蟲筆記
Python爬蟲教程-17-ajax爬取例項（豆瓣電影）
2018-09-06
Python爬蟲
python爬蟲知識點三--解析豆瓣top250資料
2017-11-19
Python爬蟲
python3批量刪除豆瓣分組下的好友
2016-06-07
Python
python爬蟲爬取豆瓣電影 1-10 ajax 資料
2024-07-04
Python爬蟲
[轉帖]mkcert
2024-05-13
mkcert
【Python】國內的pythoner強烈建議使用豆瓣的pypi源
2018-11-12
Python
Python 爬蟲實戰（1）：分析豆瓣中最新電影的影評
2017-08-11
Python爬蟲
【python爬蟲案例】利用python爬取豆瓣電影TOP250評分排行資料！
2024-09-18
Python爬蟲
豆瓣的架構—專訪豆瓣網站的技術總監洪強寧
2009-03-01
架構網站
專訪豆瓣網首席架構師洪強寧：Python，簡單的力量
2021-09-09
架構Python
用 Python 做了一個豆瓣使用者讀書短評下載工具
2015-10-11
Python
非技術帖
2008-05-22
[轉帖]掌握udev
2008-07-24
dev
[轉帖]海光CPU
2024-03-09
求助帖:關於 python 操作 Word 文件獲取書籤名集合
2019-10-26
Python
【python爬蟲案例】利用python爬取豆瓣讀書評分TOP250排行資料
2024-09-20
Python爬蟲
java爬取豆瓣書籍資訊
2019-01-03
Java

Python 豆瓣頂帖

評論請求分析

驗證碼解析

tesserocr

百度OCR

配置流程：

測試一波

超級鷹

失敗微信通知

完整程式碼

相關文章