Решение CAPTCHA на японских и корейских сайтах

Картинка-капча с иероглифами или хангылем решается тем же методом Image/OCR, что и обычная латинская, — меняется один параметр: language=2. Он переключает распознавание на набор символов CJK, после чего японская и корейская капча возвращают нормальный текст в UTF-8, а не строку из вопросительных знаков.

Проблема почти никогда не в самой капче. Она в двух местах: в локальном OCR, обученном на латинице, и в кодировке ответа, который клиент по привычке декодирует как Latin-1. Ниже — что именно ломается на японских и корейских сайтах, как это чинится и какой код достаточно скопировать, чтобы получить рабочий результат.

Почему латинский OCR не читает японский и корейский текст

Латиница — это 26 букв с устойчивой формой. Японская капча может смешивать в одной картинке хирагану, катакану и кандзи. Корейская использует хангыль — 24 базовые буквы, которые собираются в слоговые блоки, и таких блоков около 11 000.

Отсюда три следствия:

• Размер алфавита. Модель должна различать тысячи классов вместо десятков; локальный Tesseract без CJK-моделей здесь бесполезен.
• Похожие глифы. Хирагана и катакана содержат визуально близкие пары знаков — при искажении они путаются чаще, чем 0 и O.
• Байты, а не символы. Один символ CJK — это несколько байтов в UTF-8, и любая однобайтовая обработка ответа ломает текст.

Типы CAPTCHA по регионам

Границы стоит оговорить сразу: hCaptcha и FunCaptcha на таких сайтах тоже попадаются, но CaptchaAI их не решает. GeeTest v4 значится как «скоро» и пока недоступен; GeeTest v3 поддерживается — см. решение GeeTest v3 через API. Рядом встречаются и бета-типы: CaptchaFox (beta), Friendly Captcha (beta), Lemin (beta).

Один параметр, который решает задачу: language=2

При отправке задачи в in.php методом base64 добавьте language=2. Это переключатель на CJK; отдельно указывать «японский» или «корейский» не нужно — система письма определяется автоматически. Дальше работает обычный поток: отправили задачу, получили ID задачи, опрашиваете res.php до готовности.

Второй обязательный шаг — кодировка. В requests явно задайте response.encoding = 'utf-8', а при записи в файл или БД проверьте, что вся цепочка (соединение, колонка, лог) тоже UTF-8. Большая часть жалоб «хангыль приходит битым» закрывается именно здесь.

Python: японская и корейская капча внутри живой сессии

import requests
import base64
import time

API_KEY = "YOUR_API_KEY"
SUBMIT_URL = "https://ocr.captchaai.com/in.php"
RESULT_URL = "https://ocr.captchaai.com/res.php"


def solve_japanese_captcha(image_path: str) -> str:
    """Solve a Japanese character image CAPTCHA."""
    with open(image_path, "rb") as f:
        image_b64 = base64.b64encode(f.read()).decode()

    resp = requests.post(SUBMIT_URL, data={
        "key": API_KEY,
        "method": "base64",
        "body": image_b64,
        "language": 2,          # CJK character support
        "json": 1,
    }, timeout=30).json()

    if resp.get("status") != 1:
        raise RuntimeError(f"Submit: {resp.get('request')}")

    task_id = resp["request"]
    for _ in range(24):
        time.sleep(5)
        poll = requests.get(RESULT_URL, params={
            "key": API_KEY, "action": "get", "id": task_id, "json": 1,
        }, timeout=15).json()

        if poll.get("request") == "CAPCHA_NOT_READY":
            continue
        if poll.get("status") == 1:
            return poll["request"]
        raise RuntimeError(f"Solve: {poll.get('request')}")

    raise RuntimeError("Timeout")


def solve_korean_captcha(image_path: str) -> str:
    """Solve a Korean hangul image CAPTCHA."""
    with open(image_path, "rb") as f:
        image_b64 = base64.b64encode(f.read()).decode()

    resp = requests.post(SUBMIT_URL, data={
        "key": API_KEY,
        "method": "base64",
        "body": image_b64,
        "language": 2,
        "json": 1,
    }, timeout=30).json()

    if resp.get("status") != 1:
        raise RuntimeError(f"Submit: {resp.get('request')}")

    task_id = resp["request"]
    for _ in range(24):
        time.sleep(5)
        poll = requests.get(RESULT_URL, params={
            "key": API_KEY, "action": "get", "id": task_id, "json": 1,
        }, timeout=15).json()

        if poll.get("request") == "CAPCHA_NOT_READY":
            continue
        if poll.get("status") == 1:
            return poll["request"]
        raise RuntimeError(f"Solve: {poll.get('request')}")

    raise RuntimeError("Timeout")


def solve_captcha_from_session(session: requests.Session,
                                captcha_url: str,
                                language: int = 2) -> str:
    """Download and solve a CAPTCHA within a session context."""
    resp = session.get(captcha_url, timeout=15)
    image_b64 = base64.b64encode(resp.content).decode()

    submit = requests.post(SUBMIT_URL, data={
        "key": API_KEY,
        "method": "base64",
        "body": image_b64,
        "language": str(language),
        "json": 1,
    }, timeout=30).json()

    if submit.get("status") != 1:
        raise RuntimeError(f"Submit: {submit.get('request')}")

    task_id = submit["request"]
    for _ in range(24):
        time.sleep(5)
        poll = requests.get(RESULT_URL, params={
            "key": API_KEY, "action": "get", "id": task_id, "json": 1,
        }, timeout=15).json()

        if poll.get("request") == "CAPCHA_NOT_READY":
            continue
        if poll.get("status") == 1:
            return poll["request"]
        raise RuntimeError(f"Solve: {poll.get('request')}")

    raise RuntimeError("Timeout")


# --- Usage ---

# Japanese CAPTCHA
jp_text = solve_japanese_captcha("japanese_captcha.png")
print(f"Japanese CAPTCHA: {jp_text}")

# Korean CAPTCHA from a live session
session = requests.Session()
session.headers["Accept-Language"] = "ko-KR,ko;q=0.9"
session.get("https://example.kr/login")  # establish session
kr_text = solve_captcha_from_session(session, "https://example.kr/captcha/image")
print(f"Korean CAPTCHA: {kr_text}")

Ключевая деталь — solve_captcha_from_session: картинка забирается тем же объектом Session, что и страница входа. Многие японские и корейские сайты привязывают изображение к cookie сессии, и картинка, скачанная отдельным «чистым» запросом, форме не соответствует.

JavaScript: тот же поток на Node.js

const API_KEY = "YOUR_API_KEY";
const SUBMIT_URL = "https://ocr.captchaai.com/in.php";
const RESULT_URL = "https://ocr.captchaai.com/res.php";
const fs = require("fs");

async function solveAsianCaptcha(imagePath) {
  const imageB64 = fs.readFileSync(imagePath, "base64");

  const body = new URLSearchParams({
    key: API_KEY,
    method: "base64",
    body: imageB64,
    language: "2",
    json: "1",
  });

  const resp = await (await fetch(SUBMIT_URL, { method: "POST", body })).json();
  if (resp.status !== 1) throw new Error(`Submit: ${resp.request}`);

  const taskId = resp.request;
  for (let i = 0; i < 24; i++) {
    await new Promise((r) => setTimeout(r, 5000));
    const url = `${RESULT_URL}?key=${API_KEY}&action=get&id=${taskId}&json=1`;
    const poll = await (await fetch(url)).json();
    if (poll.request === "CAPCHA_NOT_READY") continue;
    if (poll.status === 1) return poll.request;
    throw new Error(`Solve: ${poll.request}`);
  }
  throw new Error("Timeout");
}

async function solveFromUrl(captchaUrl, cookies = "") {
  const resp = await fetch(captchaUrl, {
    headers: { Cookie: cookies, "Accept-Language": "ja-JP,ja;q=0.9" },
  });
  const buffer = await resp.arrayBuffer();
  const imageB64 = Buffer.from(buffer).toString("base64");

  const body = new URLSearchParams({
    key: API_KEY, method: "base64", body: imageB64,
    language: "2", json: "1",
  });

  const submitResp = await (await fetch(SUBMIT_URL, { method: "POST", body })).json();
  if (submitResp.status !== 1) throw new Error(`Submit: ${submitResp.request}`);

  const taskId = submitResp.request;
  for (let i = 0; i < 24; i++) {
    await new Promise((r) => setTimeout(r, 5000));
    const url = `${RESULT_URL}?key=${API_KEY}&action=get&id=${taskId}&json=1`;
    const poll = await (await fetch(url)).json();
    if (poll.request === "CAPCHA_NOT_READY") continue;
    if (poll.status === 1) return poll.request;
    throw new Error(`Solve: ${poll.request}`);
  }
  throw new Error("Timeout");
}

// Usage
const jpText = await solveAsianCaptcha("japanese_captcha.png");
console.log(`Japanese: ${jpText}`);

Рекомендации по наборам символов

Практический вывод: исходное разрешение важнее любой постобработки. Если в форме есть кнопка «обновить капчу», а картинка пришла сильно сжатой, дешевле запросить новую.

Сценарий: сбор цен с японского B2B-каталога

Типичная задача для команды из Москвы, Минска или Алматы — снимать цены и наличие с каталога японского или корейского поставщика для собственного прайс-листа. Форма входа отдаёт картинку с катаканой, сессия живёт около пятнадцати минут, а полный обход каталога занимает дольше.

Что здесь работает:

1. Вход выполняется один раз, cookie сохраняются, капча решается только на логине — не на каждой странице.
2. Заголовок Accept-Language выставляется в ja-JP или ko-KR: часть сайтов иначе отдаёт другую разметку и другой блок капчи.
3. При истечении сессии парсер повторяет вход, а не падает; тайм-аут на распознавание берётся с запасом, особенно на мобильных и нестабильных каналах.
4. Собирается только то, что вы вправе обрабатывать: если в выгрузку попадают контактные данные сотрудников поставщика, применимы 152-ФЗ «О персональных данных» и GDPR-подобная дисциплина для трансграничных сценариев. Это вопрос вашей юридической проверки.

По стоимости: тарификация у CaptchaAI идёт по потокам, а не по числу решений. Для одного парсера с последовательным обходом хватает BASIC ($15/мес, 5 потоков). Если каталогов несколько и они обходятся параллельно, разумная ступень — STANDARD ($30/мес, 15 потоков) или ADVANCE ($90/мес, 50 потоков). Решения внутри тарифа отдельно не тарифицируются, поэтому расход предсказуем даже при неровной нагрузке — удобно, когда вы выставляете счёт в локальной валюте, а платите в долларах.

Поиск неисправностей

Часто задаваемые вопросы

Нужны ли разные параметры для японской и корейской капчи?

Нет. В обоих случаях достаточно language=2 — система письма определяется автоматически, включая китайские иероглифы. Различается только контекст запроса к сайту: заголовок Accept-Language и cookie сессии.

Почему хангыль приходит в виде нечитаемых символов?

Это ошибка кодировки на вашей стороне, а не результат распознавания. Ответ приходит в UTF-8, и проблема возникает, если клиент, консоль, файл или колонка в БД работают в другой кодировке. Проверяйте всю цепочку целиком, а не только код парсера.

Отличается ли reCAPTCHA на японских и корейских сайтах?

Нет. reCAPTCHA основана на токене и не зависит от языка интерфейса: нужен sitekey со страницы, дальше поток стандартный — см. решение reCAPTCHA v2 через API. Локализованная надпись на виджете на процесс не влияет.

Сколько потоков нужно для парсера японского каталога?

Считайте по числу одновременных запросов на распознавание, а не по числу страниц. Последовательный парсер занимает один поток, поэтому BASIC ($15/мес, 5 потоков) закрывает и его, и запас на повторы. Параллельный обход нескольких доменов — повод перейти на STANDARD ($30/мес, 15 потоков).

Что делать, если вместо картинки стоит Cloudflare?

Тогда это другой тип задачи: Cloudflare Turnstile и Cloudflare Challenge решаются отдельными методами, без OCR. Порядок действий описан в руководстве по решению Cloudflare Turnstile через API.

С чего начать

Если вы ещё не подключали API, начните с быстрого старта CaptchaAI: получите ключ и первый решённый токен, затем вернитесь к коду выше и добавьте language=2.

• Быстрый старт CaptchaAI: первое решение за пять минут
• Решение reCAPTCHA v2 через API: пошаговый разбор
• Решение Cloudflare Turnstile через API
• Решение GeeTest v3 через API