如何在程序中处理reCAPTCHA？

原文作者：西安鲲之鹏

原文链接：http://http://www.site-digger.com/html/articles/20150408/86.html

本文不是讲如何破解谷歌的reCAPTCHA（实际上我们也办不到），而是介绍在程序中借助第三方（人工）打码平台顺利通过reCAPTCHA验证。
由于使用人工打码会产生费用，并且费用是和调用次数成正比的，所以本方法仅适用于reCAPTCHA出现频率比较低的场景，例如：
1）网站登录使用了reCAPTCHA。比如，有时Linkedin登录就会出现reCAPTCHA（如下图所示），验证当前客户端是否是“真人”。

2）网站对访问频率过快的客户端返回reCAPTCHA，通过验证后即可继续访问。比如Zocdoc.com这个网站。

下面进入正题。如何在程序中借助第三方（人工）打码平台通过reCAPTCHA验证？
因为reCAPTCHA表单是JS动态创建的，我们遇到的第一个难题就是如何获取到reCAPTCHA表单中的验证码图片的路径及各隐藏表单域的值。
1）一个办法就是使用类似webkit的浏览器模拟工具（例如，phantomjs）加载页面，这样就能直接获取到JS生成的HTML源码。但是实现起来比较复杂，还需要借助第三方的软件。
2）查看源码会发现如果页面禁用了JS，reCAPTCHA将使用iframe模式加载（如下示），此时验证码图片路径和各表单项都是直接可见的。

<noscript> <iframe src="https://www.google.com/recaptcha/api/noscript?k=******" height="300" width="500" frameborder="0"></iframe> <br><textarea name="recaptcha_challenge_field" rows="3" cols="40"></textarea> </noscript>

所以我们直接请求“https://www.google.com/recaptcha/api/noscript?k=******”即可获取到验证码的图片路径和其它隐藏表单域的值。
这个问题解决了。接下来我们要获取到验证码图片对应的明文。如何调用第三方打码平台进行图片验证码识别呢？
我们需要先下载验证码图片，再把图片的二进制数据上传给打码平台，然后等待平台人工打码返回明文。打码平台一般都提供了供各种常见语言调用的API，所以该过程也比较简单。
现在我们已经获取到验证码图片对应的明文，只要我们将其和其它隐藏表单域参数一起提交就能完成验证过程了。

闲话不多说，还是直接上代码比较实在（Python实现, 这是我们真实项目中用到的）：

view plain copy to clipboard print ?

1. # coding: utf-8  
2. # recaptcha.py  
3.   
4. import sys  
5. import os  
6. os.chdir(os.path.dirname(os.path.realpath(sys.argv[0])))  
7. import re  
8. import StringIO  
9. import deathbycaptcha  
10. from urlparse import urljoin  
11. from webscraping import common, xpath  
12.   
13. DEATHBYCAPTCHA_USERNAME = '******'  
14. DEATHBYCAPTCHA_PASSWORD = '******'  
15.   
16. def read_captcha(image):  
17.     """image - fileobj, the captcha to be recognized 
18.     """  
19.     client = deathbycaptcha.SocketClient(DEATHBYCAPTCHA_USERNAME, DEATHBYCAPTCHA_PASSWORD)  
20.     try:  
21.         balance = client.get_balance()  
22.         # Put your CAPTCHA file name or file-like object, and optional  
23.         # solving timeout (in seconds) here:  
24.         common.logger.info('Submit captcha to http://deathbycaptcha.com/.')  
25.         captcha = client.decode(image)  
26.         if captcha:  
27.             # The CAPTCHA was solved; captcha["captcha"] item holds its  
28.             # numeric ID, and captcha["text"] item its text.  
29.             common.logger.info("CAPTCHA %s solved: %s" % (captcha["captcha"], captcha["text"]))  
30.             return captcha["text"].strip()  
31.     except deathbycaptcha.AccessDeniedException:  
32.         # Access to DBC API denied, check your credentials and/or balance  
33.         common.logger.info('Access to DBC API denied, check your credentials and/or balance')  
34.   
35. def solve_recaptcha(html, D):  
36.     """To solve the Google recaptcha 
37.     """  
38.     m = re.compile(r']+src="(https?://www\.google\.com/recaptcha/api/noscript\?k=[^"]+)"', re.IGNORECASE).search(html)  
39.     if m:  
40.         common.logger.info('Need to solve the recaptcha.')  
41.         # need to solve the captcha first  
42.         iframe_url = m.groups()[0]  
43.         # load google recaptcha page  
44.         iframe_html = D.get(iframe_url, read_cache=False)  
45.         # extract recaptcha_challenge_field value for future use  
46.         recaptcha_challenge_field = xpath.get(iframe_html, '//input[@id="recaptcha_challenge_field"]/@value ')  
47.         if recaptcha_challenge_field:  
48.             # extract captcha image link  
49.             captcha_image_url = xpath.get(iframe_html, '//img/@src ')  
50.             if captcha_image_url:  
51.                 captcha_image_url = urljoin(iframe_url, captcha_image_url)  
52.                 # download captcha  
53.                 captcha_bytes = D.get(captcha_image_url, read_cache=False)  
54.                 if captcha_bytes:  
55.                     #open('captcha.jpg', 'wb').write(captcha_bytes)  
56.                     fileobj = StringIO.StringIO(captcha_bytes)  
57.                     # read the captcha via deathbycaptcha  
58.                     recaptcha_response_field = read_captcha(fileobj)  
59.                     if recaptcha_response_field:  
60.                         common.logger.info('Have got the captcha content = "%s".' % str(recaptcha_response_field))  
61.                         url = 'https://www.linkedin.com/uas/captcha-submit'  
62.                         post_data = {}  
63.                         captcha_form = xpath.get(html, '//form[@name="captcha"]')  
64.                         for input_name, input_value in re.compile(r']+type="hidden"\s+name="([^<>\"]+)"\s+value="([^<>\"]+)"').findall(captcha_form):  
65.                             post_data[input_name] = input_value  
66.                         post_data['recaptcha_challenge_field'] = recaptcha_challenge_field  
67.                         post_data['recaptcha_response_field'] = recaptcha_response_field                         
68.                         return D.get(url, data=post_data, read_cache=False)  

特别说明：该文章为西安鲲之鹏的原创文章 ，你除了可以发表评论外，还可以转载到你的网站或博客，但是请保留源地址，谢谢!!（尊重他人劳动，你我共同努力）