前言
传统的移动端爬虫一般是基于webView，通过注入JS的方式，获取登录后的cookie让服务端使用无头浏览器模拟登录状态爬取数据。
这种方式简单有效，但是对于有做反爬（IP限制，是否模拟器，是否处于异常环境）的网站，爬取难度大，甚至无法爬取。
业务驱动技术，在移动端爬虫的演进过程中经历了四个阶段
- cookie爬取（早期网站都没有反爬的机制）
- cookie + 本地爬取（部分网站出现反爬，无法通过服务端爬取，则本地获取HTML解析）
- cookie + 本地爬取 + 截图认证（针对反爬严重，无法通过webView登录采集的业务采用跳转APP，截图OCR的方式爬取）
- Tensorflow + BroadCast Extension（通过录屏获取实时界面内容，Tensorflow做图像识别获取关键页面内容，无视反爬机制）
什么是BroadCast Upload Extension?
BroadCast Upload Extension在iOS10的时候推出，当时只能in-APP BroadCast，即录制当前APP。
在WWDC2018中，苹果发布的ReplayKit2中升级了这个扩展，做到了iOS System BroadCast,即录制iOS系统界面，不限制与某个APP，但此时需要从控制中心唤起录屏，任然有些麻烦。
image-20191118182045340.png
在iOS12中，iOS又推出了RPSystemBroadcastPickerView类，可以在APP内通过按钮唤起控制中心的录屏选择界面。
image-20191118182105865.png
客户端流程：
image-20191118165847233.png
架构：
image-20191118151036879.png
- 录屏插件：iOS原生录屏插件，获取最新的录屏帧，传递给中间件。
- 中间件：保存插件传递的最新一帧内容，负责对帧对象的处理，消息的发送（心跳请求，帧请求）。
- APP端：负责对收到的图片对象进行classify，根据结果进行步骤匹配（是否需要服务端OCR，下一个关键页面是什么）。
插件端不停的将最新视频帧给到中间件，中间件在上一次post请求完毕后获取最新的一帧转换成图片对象并发送，配置文件中设置字段控制上一次post请求完毕到下一次图片转换之间的dealy时间。
将帧处理成图片后做一次图片压缩（TensorFlow对图片进行检测前也会做一次压缩，这里提前做掉），保证post请求的大小和速度。
为了尽量低的内存占用（录屏插件最大可使用的内存50MB，超过就会崩），控制图片转换的频率，压缩图片请求，将图片转换放到autoreleasepool中。
录屏插件端
录屏插件使用的是iOS系统自带的BroadCast Upload Extension，可以在project - target + Application Extension中添加。
image-20191118173254281.png
添加后项目中会多一个BroadCast的target，自带一个SampleHandler类，用于接收系统录屏插件的回调。
#import "SampleHandler.h"
@interface SampleHandler()
@end
@implementation SampleHandler
//开始录屏
- (void)broadcastStartedWithSetupInfo:(NSDictionary<NSString *,NSObject *> *)setupInfo {
NSLog(@"APP录屏开始");
}
//录屏中切换APP iOS > 11.2
- (void)broadcastAnnotatedWithApplicationInfo:(NSDictionary *)applicationInfo {
NSLog(@"录屏中切换APP");
}
//录屏结束
- (void)broadcastFinished {
NSLog(@"APP录屏结束");
}
//获取录屏帧信息
- (void)processSampleBuffer:(CMSampleBufferRef)sampleBuffer withType:(RPSampleBufferType)sampleBufferType {
switch (sampleBufferType) {
case RPSampleBufferTypeVideo://录屏图像信息回调
//在这里将获取到的图像信息传递给中间类处理
break;
case RPSampleBufferTypeAudioApp://录屏音频信息回调
// Handle audio sample buffer for app audio
break;
case RPSampleBufferTypeAudioMic://录屏声音输入信息回调
// Handle audio sample buffer for mic audio
break;
default:
break;
}
}
@end
这一块做的事非常少，只是单纯的将获取到的视频帧信息传递给中间类，刷新中间类保存的最后一帧信息。
中间件
中间件负责做的事情比较多，状态同步，图片转换还要考虑内存占用问题。
- CMSampleBufferRef转UIImage对象
- 控制buffer转image的频率
- 通过HTTP请求的方式将图片发送到主APP
- 发送心跳包告知APP插件存活
//
// MXSampleBufferManager.m
//
// buffer转UIImage对象
// Created by joker on 2018/9/18.
// Copyright © 2018 Scorpion. All rights reserved.
//
#import "MXSampleBufferManager.h"
#import <VideoToolbox/VideoToolbox.h>
#define clamp(a) (a>255?255:(a<0?0:a))
@implementation MXSampleBufferManager
+ (UIImage*)getImageWithSampleBuffer:(CMSampleBufferRef)sampleBuffer{
CVImageBufferRef imageBuffer = CMSampleBufferGetImageBuffer(sampleBuffer);
CVPixelBufferLockBaseAddress(imageBuffer,0);
size_t width = CVPixelBufferGetWidth(imageBuffer);
size_t height = CVPixelBufferGetHeight(imageBuffer);
uint8_t *yBuffer = CVPixelBufferGetBaseAddressOfPlane(imageBuffer, 0);
size_t yPitch = CVPixelBufferGetBytesPerRowOfPlane(imageBuffer, 0);
uint8_t *cbCrBuffer = CVPixelBufferGetBaseAddressOfPlane(imageBuffer, 1);
size_t cbCrPitch = CVPixelBufferGetBytesPerRowOfPlane(imageBuffer, 1);
int bytesPerPixel = 4;
uint8_t *rgbBuffer = malloc(width * height * bytesPerPixel);
for(int y = 0; y < height; y++) {
uint8_t *rgbBufferLine = &rgbBuffer[y * width * bytesPerPixel];
uint8_t *yBufferLine = &yBuffer[y * yPitch];
uint8_t *cbCrBufferLine = &cbCrBuffer[(y >> 1) * cbCrPitch];
for(int x = 0; x < width; x++) {
int16_t y = yBufferLine[x];
int16_t cb = cbCrBufferLine[x & ~1] - 128;
int16_t cr = cbCrBufferLine[x | 1] - 128;
uint8_t *rgbOutput = &rgbBufferLine[x*bytesPerPixel];
int16_t r = (int16_t)roundf( y + cr * 1.4 );
int16_t g = (int16_t)roundf( y + cb * -0.343 + cr * -0.711 );
int16_t b = (int16_t)roundf( y + cb * 1.765);
rgbOutput[0] = 0xff;
rgbOutput[1] = clamp(b);
rgbOutput[2] = clamp(g);
rgbOutput[3] = clamp(r);
}
}
CGColorSpaceRef colorSpace = CGColorSpaceCreateDeviceRGB();
CGContextRef context = CGBitmapContextCreate(rgbBuffer, width, height, 8, width * bytesPerPixel, colorSpace, kCGBitmapByteOrder32Little | kCGImageAlphaNoneSkipLast);
CGImageRef quartzImage = CGBitmapContextCreateImage(context);
UIImage *image = [UIImage imageWithCGImage:quartzImage];
CGContextRelease(context);
CGColorSpaceRelease(colorSpace);
CGImageRelease(quartzImage);
free(rgbBuffer);
CVPixelBufferUnlockBaseAddress(imageBuffer, 0);
return image;
}
@end
主APP端
主APP端更多的是跟业务相关的操作
- 开启HTTP Serve接收请求（GCDAsyncSocket）
- 获取到图片进行TensorFlow识别，输出classify的结果。
- 根据识别结果和获取的配置信息进行match，目标关键帧则上传服务端OCR
- 录屏插件存活检测
模型怎么训练？
参考链接：https://codelabs.developers.google.com/codelabs/tensorflow-for-poets/index.html#0
可以用官网提供的训练工程来简单的训练模型。
demo工程中会带一个训练过的微信的模型。
使用效果
通讯录页面识别度77%
发现页面识别度97%
我的页面识别度100%
可以看到，在模型训练好的情况下，实时录屏的识别度是非常高的，配合服务端OCR可以获取任何出现在屏幕上的内容。
网友评论