Scrapy est le framework d'exploration Python le plus populaire. Ce guide montre comment ajouter la résolution CAPTCHA CaptchaAI à vos robots à l'aide d'un middleware personnalisé.
Exigences
| Exigence | Détails |
|---|---|
| Python | 3,8+ |
| Scrapy | 2,5+ |
| demandes | Pour les appels API CaptchaAI |
| Clé API CaptchaAI | Obtenez-en un ici |
pip install scrapy requests
Module de résolution CaptchaAI
Créez captcha_solver.py à la racine de votre projet Scrapy :
import requests
import time
class CaptchaAISolver:
def __init__(self, api_key):
self.api_key = api_key
self.base_url = "https://ocr.captchaai.com"
def solve_recaptcha(self, site_key, page_url, timeout=300):
resp = requests.get(f"{self.base_url}/in.php", params={
"key": self.api_key,
"method": "userrecaptcha",
"googlekey": site_key,
"pageurl": page_url,
})
if not resp.text.startswith("OK|"):
raise Exception(f"Submit failed: {resp.text}")
task_id = resp.text.split("|")[1]
deadline = time.time() + timeout
while time.time() < deadline:
time.sleep(5)
result = requests.get(f"{self.base_url}/res.php", params={
"key": self.api_key,
"action": "get",
"id": task_id,
})
if result.text == "CAPCHA_NOT_READY":
continue
if result.text.startswith("OK|"):
return result.text.split("|", 1)[1]
raise Exception(f"Solve failed: {result.text}")
raise TimeoutError(f"Task {task_id} timed out")
def solve_image(self, image_base64, timeout=120):
resp = requests.get(f"{self.base_url}/in.php", params={
"key": self.api_key,
"method": "base64",
"body": image_base64,
})
if not resp.text.startswith("OK|"):
raise Exception(f"Submit failed: {resp.text}")
task_id = resp.text.split("|")[1]
deadline = time.time() + timeout
while time.time() < deadline:
time.sleep(5)
result = requests.get(f"{self.base_url}/res.php", params={
"key": self.api_key,
"action": "get",
"id": task_id,
})
if result.text == "CAPCHA_NOT_READY":
continue
if result.text.startswith("OK|"):
return result.text.split("|", 1)[1]
raise Exception(f"Solve failed: {result.text}")
raise TimeoutError(f"Task {task_id} timed out")
Intergiciel scrapy
Créez middlewares.py :
import base64
import re
from scrapy import signals
from scrapy.http import HtmlResponse
from captcha_solver import CaptchaAISolver
class CaptchaAIMiddleware:
"""Scrapy downloader middleware that detects and solves CAPTCHAs."""
def __init__(self, api_key):
self.solver = CaptchaAISolver(api_key)
@classmethod
def from_crawler(cls, crawler):
api_key = crawler.settings.get("CAPTCHAAI_API_KEY")
if not api_key:
raise ValueError("CAPTCHAAI_API_KEY setting is required")
return cls(api_key)
def process_response(self, request, response, spider):
# Check for reCAPTCHA on the page
site_key = self._find_recaptcha_key(response.text)
if site_key:
spider.logger.info(f"reCAPTCHA detected on {response.url}")
token = self.solver.solve_recaptcha(site_key, response.url)
request.meta["captcha_token"] = token
spider.logger.info("CAPTCHA solved successfully")
# Check for image CAPTCHA
captcha_img = self._find_image_captcha(response)
if captcha_img:
spider.logger.info(f"Image CAPTCHA detected on {response.url}")
text = self.solver.solve_image(captcha_img)
request.meta["captcha_text"] = text
spider.logger.info(f"Image CAPTCHA solved: {text}")
return response
def _find_recaptcha_key(self, html):
match = re.search(
r'data-sitekey=["\']([A-Za-z0-9_-]+)["\']', html
)
return match.group(1) if match else None
def _find_image_captcha(self, response):
img = response.css("img#captcha-image::attr(src)").get()
if img and img.startswith("data:image"):
return img.split(",", 1)[1]
return None
Configuration des paramètres
Ajouter à settings.py :
import os
CAPTCHAAI_API_KEY = os.environ.get("CAPTCHAAI_API_KEY")
DOWNLOADER_MIDDLEWARES = {
"myproject.middlewares.CaptchaAIMiddleware": 560,
}
Exemple d'araignée
import scrapy
class ProductSpider(scrapy.Spider):
name = "products"
start_urls = ["https://example.com/products"]
def parse(self, response):
# If CAPTCHA was solved, the token is in meta
token = response.meta.get("captcha_token")
if token:
# Resubmit the page with the token
yield scrapy.FormRequest(
url=response.url,
formdata={"g-recaptcha-response": token},
callback=self.parse_products,
)
else:
yield from self.parse_products(response)
def parse_products(self, response):
for product in response.css(".product-item"):
yield {
"name": product.css("h2::text").get(),
"price": product.css(".price::text").get(),
"url": response.urljoin(
product.css("a::attr(href)").get()
),
}
next_page = response.css("a.next-page::attr(href)").get()
if next_page:
yield scrapy.Request(response.urljoin(next_page))
Réessayez sur les pages CAPTCHA
Ajoutez une nouvelle tentative automatique lorsque des CAPTCHA apparaissent :
class CaptchaRetryMiddleware:
"""Retry requests that return CAPTCHA challenge pages."""
max_retries = 3
def process_response(self, request, response, spider):
if self._is_captcha_page(response):
retries = request.meta.get("captcha_retries", 0)
if retries < self.max_retries:
request.meta["captcha_retries"] = retries + 1
spider.logger.info(
f"CAPTCHA page detected, retry {retries + 1}"
)
return request.copy()
return response
def _is_captcha_page(self, response):
indicators = [
"g-recaptcha",
"cf-turnstile",
"captcha-image",
"Please verify you are human",
]
return any(ind in response.text for ind in indicators)
Exécuter l'araignée
export CAPTCHAAI_API_KEY="YOUR_API_KEY"
scrapy crawl products -o products.json
Dépannage
| Problème | Parce que | Corriger |
|---|---|---|
ValueError: CAPTCHAAI_API_KEY setting is required |
Var d'environnement manquante | Définir CAPTCHAAI_API_KEY |
| CAPTCHA non détecté | Structure HTML différente | Mettre à jour le modèle d'expression régulière dans le middleware |
TimeoutError en résolution |
Résolution lente ou réseau | Augmenter le délai d'attente dans le solveur |
| Spider est bloqué après la résolution | Blocage basé sur IP | Ajouter un middleware de rotation de proxy |
FAQ
Puis-je l'utiliser avec Scrapy-Splash ou Scrapy-Playwright ?
Oui. Pour les pages rendues en JavaScript, le middleware fonctionne de la même manière : il inspecte la réponse HTML finale pour les éléments CAPTCHA.
Le middleware ralentit-il l’exploration ?
La résolution de CAPTCHA prend 5 à 15 secondes par page. Utilisez CONCURRENT_REQUESTS pour explorer d’autres pages en attendant. Seules les pages contenant des CAPTCHA entraînent des retards.
Comment gérer différents types de CAPTCHA par page ?
Étendez la méthode process_response du middleware pour rechercher Turnstile, GeeTest ou d'autres types et appelez la méthode de résolution appropriée.
Guides connexes
- Guide Python pour le grattage de captcha
- Intégration HTTPX + CaptchaAI
- aiohttp + CaptchaAI Asynchrone