实战复盘：用Python+Requests搞定WIPO专利站那个烦人的六宫格验证码（附完整代码）
破解WIPO专利站六宫格验证码的Python实战指南
当你在WIPO专利数据库抓取数据时，那个恼人的六宫格验证码是不是总让你功亏一篑？本文将带你深入剖析这个验证系统的运作机制，并提供一个完整的Python解决方案。不同于简单的代码展示，我们会从底层原理出发，让你彻底理解如何应对这类交互式验证挑战。
1. 问题诊断与系统分析
WIPO专利站的验证系统设计精巧，主要设置了四道防线：
- 六宫格交互验证：需要用户连续点击符合要求的图片
- 会话绑定机制：验证状态与服务器端Session严格关联
- 动态Cookie更新：通过CSS请求刷新访问凭证
- 时间延迟限制：操作间隔过短会导致请求失败
import requests from PIL import Image import numpy as np from io import BytesIO import os import time session = requests.Session() # 关键：维持会话状态这个验证系统的独特之处在于，即使你通过了初始验证，后续的数据请求仍可能因为Cookie失效而失败。我们的解决方案需要同时处理以下几个技术难点：
- 验证码图片的实时获取与识别
- Session状态的持续维护
- 动态Cookie的及时更新
- 请求节奏的合理控制
2. 六宫格验证码破解方案
2.1 验证码获取与预处理
验证码破解的第一步是建立可靠的样本库。WIPO的验证码主要分为三类：
| 验证码类型 | 特征描述 | 样本数量建议 |
|---|---|---|
| 文字识别 | "请选出带有XX的图片" | 20-30组 |
| 图形识别 | 特定形状或图案 | 15-20组 |
| 颜色识别 | 特定颜色区域 | 10-15组 |
def download_captcha_samples(session, sample_size=20): """下载验证码样本到本地""" for i in range(sample_size): response = session.get('https://patentscope.wipo.int/.../captcha') with open(f'./samples/captcha_{i}.jpg', 'wb') as f: f.write(response.content) time.sleep(1) # 避免请求过于频繁2.2 相似度比对算法
我们采用图像矩阵比对法进行验证码识别，这种方法在样本量有限的情况下表现优异：
- 将验证码图片转换为NumPy数组
- 计算待识别图片与样本库中每张图片的像素匹配度
- 选择相似度最高的作为识别结果
def compare_images(img1_path, img2_content): """计算两张图片的相似度得分""" base_img = Image.open(img1_path) current_img = Image.open(BytesIO(img2_content)) arr1 = np.array(base_img) arr2 = np.array(current_img) # 计算相同像素点的数量 return np.sum(arr1 == arr2)注意：相似度阈值需要根据实际测试调整，通常17000-20000之间的值效果较好
3. 会话管理与Cookie策略
3.1 Session的生命周期控制
WIPO的验证系统对Session有严格的要求：
- 初始验证通过后获得的Cookie仅有限时间有效
- 后续数据请求需要携带特定的view_state参数
- 不同操作阶段需要维护不同的会话状态
def initialize_session(): """初始化并验证会话""" session = requests.Session() # 首次访问获取初始Cookie session.get('https://patentscope.wipo.int/...') # 处理验证码 captcha_url = 'https://.../captcha' response = session.get(captcha_url) selected_images = identify_captcha(response.content) # 提交验证结果 validation_url = 'https://.../validate' payload = {'selected': selected_images} session.post(validation_url, data=payload) return session3.2 CSS链接的Cookie刷新机制
这是WIPO最独特的反爬设计之一：
- 数据页面内嵌一个特殊的CSS链接
- 必须先访问这个CSS链接刷新Cookie
- 之后的数据请求才会返回有效内容
def refresh_cookie(session, detail_page_url): """通过CSS链接刷新Cookie""" # 获取详情页内容 response = session.get(detail_page_url) # 解析CSS链接 css_link = parse_css_link(response.text) # 访问CSS链接刷新Cookie session.get(css_link) # 再次请求详情页 return session.get(detail_page_url)4. 完整实现与优化技巧
4.1 请求时序控制
WIPO系统对请求频率敏感，需要合理控制操作间隔：
- 验证码提交后等待1-2秒
- CSS刷新后等待0.5-1秒
- 数据请求间隔保持在1秒以上
def safe_request(session, url, delay=1.0): """带延迟的安全请求""" time.sleep(delay) return session.get(url)4.2 异常处理与重试机制
健壮的爬虫需要处理各种异常情况：
- 验证码识别失败自动重试
- Cookie失效时重新初始化会话
- 网络错误时的指数退避重试
def robust_crawler(session, url, max_retries=3): """带重试机制的爬取函数""" for attempt in range(max_retries): try: response = session.get(url) if 'captcha' in response.text: handle_captcha(session) continue return response except Exception as e: print(f"Attempt {attempt+1} failed: {str(e)}") time.sleep(2 ** attempt) # 指数退避 raise Exception("Max retries exceeded")在实际项目中，这套方案成功实现了对WIPO专利数据的稳定抓取。最关键的发现是CSS链接的Cookie刷新机制，这个反爬设计非常隐蔽，只有通过仔细分析网络请求流才能发现。另一个实用技巧是在验证码识别阶段，保持样本图片的多样性和数量，能显著提高识别准确率。