关于CAPTCHA检测自动化脚本的问题

[jolly-xw]

首先感谢你们将这个项目开源，这是一个优秀且新颖的项目。我目前存在疑问，在面对CAPTCHA的人机验证时，该项目可以根据验证码类型选择对应的解决方案，但通常完成了人机验证码校验之后，CAPTCHA还会对你进行二次校验（如Cloudflare）。我想知道你们是有做浏览器伪装的工作吗，我看到代码仓库里有一些JavaScripts代码，但我是门外汉并不明白它们的作用。

[gyataro]

你好，感谢你对这个项目的关注

没错，我们确实对浏览器进行了修改。你可以查看我们实验中的伪装设置： https://github.com/code-philia/PhishDecloaker/blob/main/phishdecloaker/crawler/crawler_group.py

此外，我们还使用了 browserless 的规避功能来设置我们的浏览器容器集群，你可以在这里查看他们的脚本：https://github.com/berstend/puppeteer-extra/tree/master/packages/puppeteer-extra-plugin-stealth

[jolly-xw]

感谢你的回复，我最近也想做相关的工作，你们的论文和工作真的很棒。我看了puppeteer-extra-plugin-stealth，貌似无法在python中使用。我有一些问题：

• 我现在是使用Python+Playwright+Chromium对页面进行访问，我想知道是否有其他方法能够把你所说的规避功能用到Python脚本当中；
• 如果我也有你们的浏览器容器集群，是不是可以在python脚本中调用集成了规避功能的浏览器；
• 如何利用browserless 的规避功能来设置自己的浏览器容器集群（大概讲一下就可以）；

[gyataro]

你好，

puppeteer-extra-plugin-stealth 是 browserless 浏览器附带的脚本，不需要另外导入 python 爬虫

如果你想自行把 js 脚本导入 python 爬虫，可以参考以下步骤，这里以 chromium + playwright 为例：

browser = p.chromium.launch()
page = browser.new_page()
...
page.add_init_script(path="your_script.js")

如果你你想在 python 中调用带有规避功能的浏览器，例如 browserless：

browser = p.chromium.connect_over_cdp('wss://your-browser-url?stealth')
context = browser.new_context()
page = context.new_page()

但通过 python 调用需要每次都附上 stealth 参数。如果想默认启用 browserless 的规避功能，可以在 docker compose 文件里添加一下配置：

  browser:
    image: browserless/chrome
    ....
    environment:
      - ...
      - DEFAULT_STEALTH=true

希望对你们有帮助