验证码识别代理:什么时候需要,什么时候不需要

captcha solver proxy - CAPTCHA Solver Proxy: When You Need One and When You Don't

有三种情况需要验证码识别代理:站点会检查 token 或 cookie 是否来自你浏览时使用的地址;你识别得足够频繁,以至于一个地址会被限速;或者这个类型是设置指南说需要干净代理的类型(reCAPTCHA、Turnstile、GeeTest)。图片任务以及 CapSkip 不强制要求代理的类型,在你测试期间用自己的地址识别完全没问题。CapSkip 运行在你自己的 Windows PC 上,所以不带代理的识别会从你自己的 IP 地址发出,而随任务发送的代理总是优先于应用里的代理列表。

无代理还是有代理:哪些验证码类型需要代理

一次识别是 CapSkip 自己向验证码厂商发出的一组请求,而代理只会改变这些请求发出时所用的地址。CapSkip 按这个顺序选择地址:

  1. 随任务发送的代理,它的重试也沿用这个代理。
  2. 否则,使用该验证码类型的列表中的一个代理,在应用的 Configure Proxies 下设置。
  3. 否则,使用你自己的 IP 地址,指南说它在重复请求使其被封之前都能用。

"Proxyless" 指的是第三步,这是测试和低用量时合适的默认做法。

1.7.0 版的全部四个 SDK 都在除图片之外的每个识别方法上接受代理。这一点我在四份源码中都读到了,并且针对一个模拟的 CapSkip 运行了 Python 和 Node.js。右侧一列是 CapSkip 文档所说的内容,不是我测量出来的。

类型任务上的代理CapSkip 文档怎么说
图片验证码被 SDK 拒绝图片识别不使用代理。
reCAPTCHA v2、v3、EnterpriseAccepted要稳定识别,必须使用。快速 v2 识别需要住宅代理或移动代理。
Cloudflare TurnstileAccepted要稳定识别,必须使用。
Cloudflare cf_clearance必须使用,没有 SDK 方法只存在于 JSON createTask API 上。默认关闭,关闭时会以 ERROR_TASK_NOT_SUPPORTED 被拒绝。
极验Accepted要稳定识别,必须使用。
hCaptcha、CaptchaFoxAccepted不强制。超过测试用量后,文档建议使用代理池,因为厂商会给网络打分。
AWS WAFAccepted不强制。超过测试用量后,文档建议使用代理池,因为站点会把验证码与限速和信誉规则搭配使用。
ALTCHAAccepted只有当 CapSkip 替你从 challenge_url 获取挑战时才会用到。
Capy PuzzleAccepted不强制,但在大用量时需要,因为每次识别都会通过一个实时请求取得一道新的谜题。
Friendly CaptchaAccepted不强制。没有代理也能识别,但服务会对繁忙的地址提高难度。
MTCaptchaAccepted不强制。代理列表用于加载挑战、获取它的图片和提交答案。
DataDomeAccepted不强制。cookie 只对识别它的那个地址有效,所以除非你自己的请求使用同样的代理,否则请让列表为空。

设置指南说,对 reCAPTCHA、Turnstile、hCaptcha、AWS WAF、GeeTest 和 CaptchaFox 来说,代理决定成功率。API 文档补充说,hCaptcha、AWS WAF、CaptchaFox、Capy Puzzle、Friendly Captcha、DataDome 和 MTCaptcha 这几种,CapSkip 都不强制要求代理。

代理必须与你自己的请求一致时

第一个原因是绑定:有些答案只有在你的下一个请求来自获得它们的那个地址时才有效。CapSkip 文档对其中两种是这样说的:

  • DataDome cookie 只对识别它的那个地址有效,所以你要把你的爬虫之后会一直使用的代理随任务一起发送,并通过同一个代理使用这个 cookie。每次连接都会更换地址的代理无法产生可用的 cookie。
  • Cloudflare 把 cf_clearance cookie 绑定到获得它的地址和 User-Agent,而 CapSkip 会拒绝没有代理的 cf_clearance 任务。Cloudflare 自己的 clearance 页面 只说这个 cookie 与它被签发给的访客和设备绑定,所以请把地址规则当作 CapSkip 的建议。

对于 hCaptcha,文档告诉你要从同一个地址、并使用回复里指明的 User-Agent 来提交表单。MTCaptcha 则相反:它的文档描述站点的检查涵盖 sitekey 和域名,所以在那里代理主要是分摊负载。当答案是绑定的时,一个代理就涵盖页面获取、识别和后续请求。

代理列表、Max. Threads 和轮换

使用验证码识别代理的第二个原因是用量。设置指南说 Google 和 Cloudflare 会限制一个地址能识别多少,所以从一个 IP 持续不断地发出请求最终会被封。解决办法是应用里的一份列表,而不是每次调用都带一个代理。有三项设置很重要:

  • Max. Threads 设定同一类型同时运行多少个任务。指南建议代理数量至少与线程数相同,并把 reCAPTCHA 和 Turnstile 的 Monitor 标签页上 IP Bans 计数不断上升,视为代理需要更换的信号。
  • 每种类型有自己的列表,Reuse proxies 把一种类型的列表复制给另一种,Check Proxies 能及早找出失效的条目。
  • Rotate Proxy for Each Request 让 CapSkip 为每个验证码请求从列表中取一个新代理。Fast solve 是 AWS WAF 的一个选项,它让每个线程最多打开四个代理连接,所以如果你的套餐按连接数计费,请不要使用它。

在你自己的代码里何时轮换,见 验证码代理轮换 指南。

随一个任务发送验证码识别代理

提交请求接受 proxy 字段,格式为 IP:PORT、login:password@IP:PORT 或 IP:PORT:LOGIN:PASSWORD,以及 proxytype 字段,取值为 HTTP、HTTPS、SOCKS5 或 SOCKS5H。没有类型时 CapSkip 假定为 HTTP,SOCKS4 会被拒绝。SOCKS5H 还会在代理端解析主机名。

SDK 接受一个包含类型和地址的对象,或者一个裸字符串,后者会把类型默认为 HTTP(四份源码都是如此)。HTTP 客户端接受一个 URL,所以下面的辅助函数负责转换。它期望 scheme://user:password@host:port 的格式,会解码经过百分号编码的凭据,并补上缺失的端口。请避免使用包含 @ 或冒号的密码,我没有测试过这种情况。

这个 Python 脚本运行绑定部分所说的 DataDome 形态:它通过代理获取页面,用同一个代理识别,并通过它来使用这个 cookie。

# python -m pip install capskip requests
import re
from urllib.parse import unquote, urlsplit

import requests
from capskip import CapSkip

# The proxy as your HTTP client writes it: scheme://user:password@host:port
PROXY_URL = "http://user:[email protected]:3128"
PAGE_URL = "https://example.com/products"


def capskip_proxy(url):
    """Rewrite a proxy URL as the type and address CapSkip takes."""
    parts = urlsplit(url)
    scheme = parts.scheme.lower()
    port = parts.port or (1080 if scheme.startswith("socks") else 443 if scheme == "https" else 80)
    login = ""
    if parts.username:
        if not parts.password:
            raise ValueError("expected user:password in the proxy URL")
        login = f"{unquote(parts.username)}:{unquote(parts.password)}@"
    return {"type": scheme.upper(), "uri": f"{login}{parts.hostname}:{port}"}


solver = CapSkip(host="127.0.0.1", port=8080)
session = requests.Session()
session.proxies = {"http": PROXY_URL, "https": PROXY_URL}

# 1. Ask for the page through the proxy. A DataDome block page carries
# the address of its challenge in an iframe.
blocked = session.get(PAGE_URL, timeout=30)
frame = re.search(r'<iframe[^>]+src="([^"]*captcha-delivery\.com/[^"]+)"', blocked.text)
if not frame:
    raise SystemExit("no challenge iframe: not a DataDome block page")
captcha_url = frame.group(1).replace("&amp;", "&")

# 2. Solve through the same proxy.
result = solver.datadome(captcha_url, PAGE_URL, proxy=capskip_proxy(PROXY_URL))

# 3. Use the cookie through that proxy, with the User-Agent the reply names.
session.headers["User-Agent"] = result["userAgent"]
session.headers["Cookie"] = result["cookie"]
page = session.get(PAGE_URL, timeout=30)
print(blocked.status_code, page.status_code)  # 403 for the block page, then the page

Node.js 也是同样的形态,用 undici 来发出支持代理的获取请求。undici 声明需要 Node.js 22.19 或更新版本,这就是这个示例的最低版本。

// npm install capskip undici
const { CapSkip } = require('capskip');
const { fetch, ProxyAgent } = require('undici');

// The proxy as your HTTP client writes it: scheme://user:password@host:port
const PROXY_URL = 'http://user:[email protected]:3128';
const PAGE_URL = 'https://example.com/products';

// Rewrite a proxy URL as the type and address CapSkip takes.
function capskipProxy(proxyUrl) {
  const u = new URL(proxyUrl);
  const scheme = u.protocol.replace(':', '');
  const port = u.port || (scheme.startsWith('socks') ? '1080' : scheme === 'https' ? '443' : '80');
  let login = '';
  if (u.username) {
    if (!u.password) throw new Error('expected user:password in the proxy URL');
    login = `${decodeURIComponent(u.username)}:${decodeURIComponent(u.password)}@`;
  }
  return { type: scheme.toUpperCase(), uri: `${login}${u.hostname}:${port}` };
}

const solver = new CapSkip({ host: '127.0.0.1', port: 8080 });
const dispatcher = new ProxyAgent(PROXY_URL);

async function main() {
  // 1. Ask for the page through the proxy. A DataDome block page carries
  // the address of its challenge in an iframe.
  const blocked = await fetch(PAGE_URL, { dispatcher });
  const frame = (await blocked.text()).match(/<iframe[^>]+src="([^"]*captcha-delivery\.com\/[^"]+)"/);
  if (!frame) throw new Error('no challenge iframe: not a DataDome block page');
  const captchaUrl = frame[1].replace(/&amp;/g, '&');

  // 2. Solve through the same proxy.
  const result = await solver.dataDome(captchaUrl, PAGE_URL, { proxy: capskipProxy(PROXY_URL) });

  // 3. Use the cookie through that proxy, with the User-Agent the reply names.
  const page = await fetch(PAGE_URL, {
    dispatcher,
    headers: { 'User-Agent': result.userAgent, Cookie: result.cookie },
  });
  console.log(blocked.status, page.status); // 403 for the block page, then the page
}

main();

全部四个 SDK 都会在发送任何请求之前检查类型,并拒绝图片任务上的代理。我运行了 Python 和 Node.js,并阅读了 PHP 和 .NET 的源码。这个脚本展示了两种拒绝:

# python -m pip install capskip
from capskip import CapSkip, ValidationException

solver = CapSkip(host="127.0.0.1", port=8080)

# SOCKS4 is not a type CapSkip takes.
try:
    solver.turnstile("YOUR_SITEKEY", "https://example.com/login",
                     proxy={"type": "SOCKS4", "uri": "203.0.113.10:1080"})
except ValidationException as err:
    print(err)

# Image jobs take no proxy at all.
try:
    solver.normal("captcha.png", proxy={"type": "HTTP", "uri": "203.0.113.10:3128"})
except ValidationException as err:
    print(err)

我针对我自己写的 CapSkip、一个 HTTP 代理和一个站点的模拟服务器运行了这些代码块,环境是 Python 3.11.7、3.13.7 和 3.14.0,使用 capskip 1.7.0 和 requests 2.34.2,以及 Node.js 24.22.0,使用 capskip 1.7.0 和 undici 8.12.4。模拟站点只向带有模拟 CapSkip 所返回的 cookie 和 User-Agent 的请求提供页面,这是我定的规则。模拟 CapSkip 把代理记录为 user:pass@host:port,类型为 HTTP,模拟代理看到了两次页面获取。这些都不能说明 DataDome 的实际行为。

我电脑上真正的 CapSkip 应用对 33 个没有 sitekey 的无效 mt_captcha 请求作了应答,所以没有任何一个能启动任务。对于 SOCKS4、没有端口和端口 99999,它说的是 ERROR_PROXY_FORMAT,并接受了三种文档记载的地址格式、一个主机名和一个小写的类型。构建版本是 4.3.0 或更新,确切版本未确认,只覆盖了一个方法。

代理解决不了的问题

  • 一个信誉很差的廉价地址。设置指南说,决定结果的是信誉,而不是协议,并且共享地址会被其他客户拉低。
  • 一个被 CapSkip 拒绝的代理。ERROR_PROXY_FORMAT 表示它读不懂这个值,ERROR_PROXY_MISSING 表示一个需要代理的任务没有带代理。ERROR_PROXY_BANNED 表示站点的保护封锁了这个代理地址,ERROR_PROXY_CONNECT_REFUSED 表示 CapSkip 无法通过代理到达页面。对于后两种,请换一个代理。

在服务器上运行 CapSkip

CapSkip 自己建立代理连接,所以你的代理提供商看到的是运行它的那台机器。如果你的提供商只允许列出的地址,请把那台 PC 或服务器列进去。在 Server mode 下(在 连接设置中设置),你的脚本从其他机器访问 CapSkip,所以识别从服务器发出,而页面获取从脚本所在的机器发出。绑定的答案此时需要两边使用同一个代理。Server mode 会让 CapSkip 接受来自每个地址的连接,所以要把它限制在你自己的机器上,请添加一条 Windows Firewall 阻止规则,覆盖其他所有地址。

常见问题

随任务发送的代理会覆盖应用里的列表吗?

会。设置指南说,随任务发送的代理会取代该类型的列表被使用,并且任务的重试也沿用它。

哪些 CapSkip 类型会拒绝代理?

只有图片任务。SDK 会在发送任何内容之前拒绝图片任务上的代理,其他每种类型都接受代理。

每次识别都应该使用不同的代理吗?

不应该。一次识别会发出许多请求,所以设置指南建议整个识别过程使用同一个地址,以及来自轮换网关的、持续几分钟的粘性会话。

简短版结论

测试时不使用代理来识别,当答案绑定到你的地址时,把代理加到任务上,当用量大到让你被封时,按类型加载一份列表,数量与 Max. Threads 相当。因为 CapSkip 是一款 验证码识别工具 ,运行在你自己的硬件上,失败的尝试只需要付出一次重试的代价。 API 文档 列出了每种类型的参数, Python 指南 介绍了 Python 的客户端部分。 Node.js 指南 对 Node.js 做了同样的介绍。