如何停止在抓取时出现验证码

Ethan Collins

Pattern Recognition Specialist

25-Feb-2025

如果你尝试过网络爬取，你可能遇到过验证码——那些恼人的“证明你是人类”测试，会阻止自动化请求。在本指南中，我将分享一些切实可行的策略，以最大限度地减少验证码中断，并向你展示如何在出现验证码时处理它们。让我们开始吧！

为什么在网络爬取过程中会出现验证码？🤖

验证码旨在阻止机器人，这意味着如果你的爬虫满足以下条件，可能会被标记：

你发送过多的请求且速度过快。
你的请求缺少真实的浏览器标头或用户代理字符串。
网站检测到可疑的IP模式（例如，来自同一IP的重复请求）。

**专业提示：**首先模仿人类行为：减慢请求速度，轮换用户代理，并使用代理。但是，如果验证码仍然出现，你需要一个更强大的解决方案。

如何使用验证码求解器自动解决验证码

当规避策略不足时，像Capsolver这样的服务可以自动化验证码求解。以下是它的工作原理：

示例：使用Python解决reCAPTCHA v2

python 复制代码

# pip install requests
import requests
import time

api_key = "YOUR_API_KEY"  # 替换为你的Capsolver密钥
site_key = ""  # 来自目标网站
site_url = ""  # 你的目标URL

def solve_captcha():
    payload = {
        "clientKey": api_key,
        "task": {
            "type": "ReCaptchaV2TaskProxyLess",
            "websiteKey": site_key,
            "websiteURL": site_url
        }
    }
    response = requests.post("https://api.capsolver.com/createTask", json=payload)
    task_id = response.json().get("taskId")
    
    # 获取结果
    while True:
        time.sleep(3)
        result = requests.post("https://api.capsolver.com/getTaskResult", json={"clientKey": api_key, "taskId": task_id})
        status = result.json().get("status")
        if status == "ready":
            return result.json()["solution"]["gRecaptchaResponse"]
        elif status == "failed":
            print("未能解决验证码")
            return None

captcha_token = solve_captcha()
print(f"已解决的验证码令牌：{captcha_token}")

工作原理：

Capsolver的API创建一个任务，以解决目标网站上的验证码。
它返回一个令牌，你可以将其注入到你的爬虫中以绕过验证码。

在进行网络爬取时，反复未能完全解决验证码而苦苦挣扎？

索取顶级验证码解决方案的奖励代码 - CapSolver：CAPTCHA。兑换后，每次充值后将获得额外5%的奖励，无限量

无需验证码的爬取：一个更简单的示例

并非所有网站都使用验证码。让我们抓取books.toscrape.com，这是一个无验证码的沙箱：

python 复制代码

import requests
from bs4 import BeautifulSoup

url = "http://books.toscrape.com/"
response = requests.get(url)
soup = BeautifulSoup(response.text, "html.parser")

# 提取图书标题和价格
for book in soup.select("article.product_pod"):
    title = book.h3.a["title"]
    price = book.select(".price_color")[0].get_text()
    print(f"标题：{title}，价格：{price}")

工作原理：
此网站没有反机器人措施，但在爬取之前始终检查网站的robots.txt。

识别验证码类型和参数🔍

在解决验证码之前，你需要知道它的类型（例如，reCAPTCHA v2、hCaptcha）。使用Capsolver的验证码识别指南之类的工具来：

检测验证码提供商。
查找所需的参数，例如sitekey或pageurl。

reCAPTCHA v2的示例参数：

websiteKey: "6Le-wvkSAAAAAPBMRTvw0Q4Muexq9bi0DJwx_mJ-"
websiteURL: 你的目标页面的URL。

完全避免验证码的最佳实践

**放慢速度：**使用time.sleep()在请求之间添加延迟。
**轮换代理：**使用像Nst Proxy这样的服务来避免IP封禁。
**使用真实的标头：**模仿浏览器的User-Agent和Accept-Language。

常见问题：在爬取过程中处理验证码

1. 验证码求解器如何工作？

它们结合使用人工智能和人工操作员来解决验证码并返回用于自动化的令牌。

2. 所有验证码都可以自动化吗？

大多数常见类型（reCAPTCHA、hCaptcha）都可以解决，但高级验证码需要更复杂的方法。

4. 避免验证码的最简单方法是什么？

使用Puppeteer或Playwright等无头浏览器来模拟人工交互
使用移动代理
使用最新的用户代理版本
使用TLS客户端
使用正确的标头/用户代理版本的标头顺序

最终想法

验证码是一个障碍，但并非死胡同。将智能爬取实践与Capsolver等工具相结合，以最大限度地减少中断。快乐爬取！🚀

合规声明：本博客提供的信息仅供参考。CapSolver 致力于遵守所有适用的法律和法规。严禁以非法、欺诈或滥用活动使用 CapSolver 网络，任何此类行为将受到调查。我们的验证码解决方案在确保 100% 合规的同时，帮助解决公共数据爬取过程中的验证码难题。我们鼓励负责任地使用我们的服务。如需更多信息，请访问我们的服务条款和隐私政策。