Comment contourner CAPTCHA pour le scraping web ?

Votre entreprise a besoin d’informations et vous êtes des habitués du grattage web, mais certains sites utilisent des outils anti-grattage. Le scraping web est légal, mais ce n’est pas toujours facile de pouvoir le faire à cause des CAPTCHA. Vous souhaitez récupérer les données d’un site web, tout en sachant contourner les captcha. Cet article est fait pour vous. Nous allons vous expliquer comment extraire les données web (grattage web) tout en vous expliquant comment contourner un captcha.

1. Qu’est-ce que CAPTCHA ?

CAPTCHA est l’acronyme de Completely Automated Public Turing test to tell Computers and Humans Apart. Elle permet d’authentifier via une question-réponse que nous sommes bien humains, et non un robot.

Le CAPTCHA est fait en deux parties : une zone de texte, ainsi qu’une suite de lettres et de chiffres déformés. Seul un humain peut les reconnaître et les écrire dans la zone de texte. Il y a aussi la possibilité de cliquer sur des images qui contiennent des éléments demandés, comme des montagnes ou des cheminées. C’est donc bel et bien un outil anti-scraping.

2. Pourquoi les sites Web appliquent-ils CAPTCHA contre le Scraping web ?

Les sites web veulent protéger les données de leurs utilisateurs. De plus, cela permet d’éviter que les utilisateurs aient un possible spam, ainsi que les décryptages de leur mot de passe. Souvent, ils sont utilisés dans le cadre de sites recueillant des informations personnelles, telles que les banques, ou tout autre site pouvant avoir un paiement en carte bleue. 

Le CAPTCHA évite que les robots puissent récupérer cette donnée sensible. Ce dernier vous empêche d’extraire des données web, car c’est un outil anti-grattage. Le scraping web est autorisé, mais beaucoup de sites ne veulent pas que cela arrive. En définitive, tout ceci sert à éviter que des robots nuisent à la vie des utilisateurs, mais aussi aux sites web.

Les ordinateurs, quant à eux, peuvent créer des CAPTCHA, mais ils ne peuvent pas les lire. Les robots ont tendance à vouloir déchiffrer un algorithme, cependant les questions posées au utilisateurs demandent une notion d’intelligence que les ordinateurs n’ont pas. Ces derniers ne peuvent pas faire de décompilation de l’algorithme, afin de parvenir à ce qu’ils veulent. Seuls les humains peuvent le faire, ce qui permet une authentification sûre. Son autre caractéristique est qu’elle est accessible car elle dispose d’une version audio pour les personnes malvoyantes ou aveugles.

3. Comment contourner CAPTCHA pour le scraping web ?

• Solver recaptcha est une extension du navigateur qui va détecter et cliquer sur le CAPTCHA. Mais ce n’est pas tout : il peut aussi le déchiffrer et l’obliger à se soumettre, afin de vous faire passer automatiquement à la page suivante. Ce faisant, vous pourrez continuer à extraire les données web automatiquement, sans avoir à passer le captcha à chaque fois.

• Désactiver le VPN permet d’atténuer les CAPTCHA. Certains sites web peuvent détecter votre VPN et vont donc vous considérer comme malveillant. Ils croient que vous êtes un robot et vont vouloir se protéger.

• Réduire votre nombre de clic par minute, car si vous en faites trop, vous pourrez être vus comme un spam. Calmer le jeu permettra au site de se rendre compte que vous êtes bien humains.

• Changer d’adresse IP est aussi une bonne solution car si elle apparaît trop souvent pour la même demande, le site peut la bloquer. Changer la à chaque nouvelle demande que vous voulez faire. Que cela soit via un VPN, TOR ou un proxy, changer son adresse sera plus sécurisé pour vous. Car même si vous ne faites que du scraping, le site web peut totalement surveiller ce que vous faites, ainsi que le comprendre.

4. Comment faire l’extraction de données Linkedin ?

Pour extraire des données sur Linkedin, vous pouvez utiliser des outils, ou tenter de le faire par vous même. Il vous faut d’abord vous connecter sur votre compte Linkedin, avant d’inspecter le site web. Une fois que tout ceci sera fait, votre scraping se fera automatiquement, dès qu’il aura trouvé un tag CSS. Il vous suffira ensuite de noter un python, récupérer les cookies d’identifications et faire les requêtes en Javascript.

• Phantombuster obtient pour vous des adresses email sur Linkedin. Mais ce n’est pas tout. Cet outil vous aidera à faire des exports de résultats de recherche, mais aussi d’utilisateur. Vous pourrez extraire toutes les données des profils sur Linkedin que vous croisez, ainsi qu’envoyer des messages.

• EvaBoot sera un excellent outil pour le scraping sur Linkedin. Il s’agit d’une extension Chrome, qui fonctionne de manière très simple. Vous pourrez avoir toutes les informations sur les profils que vous souhaitez. Au lieu de les faire un par un, cet outil trouvera des contacts pour vous. 

• Waalaxy est un outil qui est totalement dédié à l’extraction de données sur Linkedin. D’ailleurs, ce site propose une extension sur Chrome. Pour commencer, il vous suffira d’aller sur une liste de personne sur ce site et d’en créer une sur l’extension. Une fois tout ceci fait, il vous faudra uniquement choisir le nombre de personnes à exporter et à quel endroit. Une fois tous vos choix faits, cet outil de scraping fait tout pour vous.

Conclusion

Faire du scraping web ne semble pas forcément facile, mais tous les captcha peuvent être contournés, ou du moins évités. Aussi, l’extraction de base de données n’est pas forcément facile. Et c’est pour cela que beaucoup d’extensions se mettent en place pour vous aider. 

Pour ce faire, certains sites n’hésitent pas à utiliser des outils anti-scraping. Toutefois, avec les techniques que l’on vient de vous donner, vous n’aurez aucun problème à extraire des données, y compris avec Linkedin.