Python3实现自动查询成绩（主要使用的包有Tesseract-OCR、PIL、execjs、pytesseract、BeautifulSoup）

 

前提：本文仅作为技术训练，不可利用技术做非法的事。

---

 

某考试的成绩查询页面如下：查询成绩需要的数据有准考证号或者身份证、考生姓名、验证码。现在使用python来实现自动查询指定人员的考试成绩（不知道准考证号的前提下）。主要使用的包有Tesseract-OCR、PIL、execjs、pytesseract、BeautifulSoup

查询页面：

 

入围名单：

 包的功能介绍：

• execjs：由于查询成绩参数加密后发送给服务器，这里使用调用原网站的加密函数加密查询字符串。
• BeautifulSoup：建立爬取的网页的文档树。
• PIL：中的Image函数读取下载下来的验证码图片，实例化后传给Tesseract-OCR识别。
• Tesseract-OCR：读取图片验证码，识别图片中的数字（主要其中有图片的训练集）。
• pytesseract：tesseract_cmd来初始化Tesseract-OCR，然后使用image_to_data()方法识别图片中的数字，该方法接受Image实例化后的图片对象为参数。

---

 

第一步：安装环境

 主要介绍Tesseract-OCR安装，其他包可通过pip+包名自行安装。

安装完成后将Tesseract-OCR添加进path环境变量；然后新建环境变量TESSDATA_PREFIX：安装目录\Tesseract-OCR\tessdata。然后重启计算机。

cmd输入tesseract显示如下则安装成功：

---

 

第二步：登陆网站收集信息

 使用正确的账号信息登陆，收集header、cookies及其他信息（例如本次登陆就使用到加密的js）。

• 加密js信息：（根据发送的查询字符串是否需要加密来决定是否添加）

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
*/

中间内容略

/*end*/

'''

• header相关信息

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调用js中的代码：

#装载
CTX = execjs.compile(JSCode)

#调用
CTX.call('函数名', '实参')

---

第三步：模拟登陆（考号+姓名+验证码）

为了将准考证号中隐藏的数字找出来，我们需要不断遍历。直到考号跟姓名对应。

这里的验证码在访问成绩页面时就产生了，所以需要所以使用requests.get(url1, headers=header)来将验证码下载到本地，然后识别出来，接着在模拟查询按钮动作 requests.get(url2, headers=header)

，将所有信息塞入查询字符串进行查询，由于是遍历查询，一旦循环产生的考号与已知的姓名匹配，就会返回结果，查询结束。

• 模拟登陆，并返回查询结果req2.text：

def get_content(number='201902300365', name='张三'):#填入一个正确的默认信息
    number = CTX.call('strEncode', number) #调用js加密数字，以下类同
    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) #识别验证码中的数字
            input_yznumber = num[-4:] #将结果的最后四位数字取出，即验证码

            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遍历文档树：

 遍历文档树后查询指定dom（本例是div）下的内容：

def get_data(xml_data):
    bs = BeautifulSoup(xml_data, "html.parser")
    scores = bs.find_all('div', string=re.compile('2019')) #考号的前几位
    return scores

• 启动程序，遍历查询

if __name__ == "__main__":
    for kc in range(3000, 4601): #考场号 范围可从0-9999 根据考号规则改变
        for zwh in range(0, 1000): #最大座位号是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='张三')) #每50次返回一个正确结果，来确保查询正确性
                print("***************"+str(t_zuoweihao))
            if zhunkaohao != []:
                print(zhunkaohao)
                break #查询成功 跳出循环

 

由于涉密，这里就不附上源码了。

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

 

参考：

基于tesseract-OCR进行中文识别

加密js