Разработка парсера SEED-фраз в Telegram на Python

[AGN]

В данной статье мы рассмотрим код, который реализует функциональность для поиска SEED-фраз в текстовых сообщениях и изображениях в Telegram-чатах. Напоминаю, что это моя первая статья на этом форуме и направлена она для изучения материала новичками. Приму адекватную критику от коллег, а так же готов выслушать ваше мнение. Спасибо.

Введение:

1. Необходимые библиотеки и программы:
Мы будем использовать следующие Python-библиотеки:

• Telethon — для взаимодействия с Telegram API.
• Pytesseract — интерфейс для Tesseract OCR.
• Pillow — для работы с изображениями (понадобится для обработки данных перед отправкой в OCR).

Установка необходимых библиотек:
Код: Скопировать в буфер обмена
pip install telethon pytesseract pillow

2. Установка Tesseract OCR
Для распознавания текста на изображениях необходимо установить Tesseract OCR:

1. Скачайте установщик с официальной страницы.
2. Установите программу и добавьте путь к tesseract.exe в переменную окружения PATH.

3. Настройка Telegram API
Для работы с Telegram API вам нужно зарегистрировать приложение на my.telegram.org. После регистрации вы получите:

• API ID
• API Hash

Эти значения понадобятся для авторизации через Telethon.

Начало:

1. Для самого начала написания скрипта нам необходимо импортировать все необходимые нам библиотеки:
Python: Скопировать в буфер обмена

import os
import re
from telethon import TelegramClient, events
from telethon.tl.types import InputMessagesFilterPhotos, InputMessagesFilterDocument
from PIL import Image
import pytesseract
from io import BytesIO

• os: Библиотека для работы с операционной системой.
• re: Модуль для работы с регулярными выражениями, который позволяет искать шаблоны в строках.
• telethon: Библиотека для работы с Telegram API, позволяющая взаимодействовать с Telegram через Python.
• PIL (Pillow): Библиотека для работы с изображениями, позволяющая открывать, изменять и сохранять изображения.
• pytesseract: Python-обертка для Tesseract OCR, которая позволяет распознавать текст на изображениях.
• BytesIO: Класс для работы с байтовыми потоками, который позволяет работать с изображениями, загруженными в память

2. Настройки Telegram API
Далее, нам необходимо добавить функцию для аутентификации в Телеграмм:

Python: Скопировать в буфер обмена

API_ID = 'ВАШ_API_ID'
API_HASH = 'ВАШ_API_HASH'
SESSION_NAME = 'telegram_parser_session'

• API_ID и API_HASH: Эти параметры необходимы для аутентификации в Telegram API.
• SESSION_NAME: Имя сессии, которое используется для хранения данных аутентификации. Это позволяет избежать повторного ввода данных при последующих запусках скрипта.

3. Регулярное выражение для поиска SEED-фраз:
Python: Скопировать в буфер обмена
SEED_REGEX = r'\b(?:\w+\s){11,23}\w+\b'

• SEED_REGEX: Регулярное выражение, которое ищет SEED-фразы, состоящие из 12 или 24 слов. Шаблон ищет последовательности слов, разделённых пробелами, что соответствует формату SEED-фраз, используемых в криптографии.

4. Инициализация клиента Telethon:
Python: Скопировать в буфер обмена
client = TelegramClient(SESSION_NAME, API_ID, API_HASH)

• TelegramClient: Создание экземпляра клиента для работы с Telegram API. Он будет использовать указанные параметры для аутентификации и управления сессией.

5. Добавление функции для поиска SEED-фраз в тексте:
Python: Скопировать в буфер обмена

def find_seed_phrases(text):
 matches = re.findall(SEED_REGEX, text)
 return matches if matches else []

• find_seed_phrases: Функция, которая принимает текст и ищет в нём SEED-фразы с использованием регулярного выражения. Если находки есть, они возвращаются в виде списка.

6. Добавление функции для поиска SEED-фраз на изображениях:
Python: Скопировать в буфер обмена

[CODE=python]def extract_text_from_image(image_bytes):
 image = Image.open(BytesIO(image_bytes))
 return pytesseract.image_to_string(image)

extract_text_from_image: Функция, которая принимает байты изображения, открывает его с помощью Pillow и использует pytesseract для извлечения текста. Это позволяет обрабатывать изображения, которые могут содержать SEED-фразы.

7. Добавление функции для поиска SEED-фраз в чатах:
Python: Скопировать в буфер обмена

async def process_chat(chat):
 async for message in client.iter_messages(chat):
  # Поиск SEED-фраз в тексте сообщения
  if message.text:
   seeds = find_seed_phrases(message.text)
   if seeds:
    print(f"[TEXT] Найдены SEED-фразы в чате {chat.title}: {seeds}")
  
  # Проверка на наличие фото и документов (картинок)
  if message.photo or message.document:
   media = message.photo or message.document
   if media:
    # Скачиваем изображение
    image_bytes = await client.download_media(media, bytes)
    if image_bytes:
     # Извлечение текста с помощью OCR
     extracted_text = extract_text_from_image(image_bytes)
     seeds = find_seed_phrases(extracted_text)
     if seeds:
      print(f"[IMAGE] Найдены SEED-фразы в чате {chat.title}: {seeds}")

[/CODE]

• process_chat: Асинхронная функция для обработки сообщений в заданном чате. Она использует iter_messages для итерации по всем сообщениям в чате.
• Внутри функции:
  • Сначала проверяется наличие текста в сообщении. Если текст найден, вызывается функция find_seed_phrases для поиска SEED-фраз.
  • Затем проверяется наличие фотографий или документов. Если таковые имеются, они загружаются с помощью download_media, и текст извлекается с помощью extract_text_from_image.

8. Реализация основной функции скрипта:
Python: Скопировать в буфер обмена

async def main():
 # Подключение к Telegram
 await client.start()


 # Получение всех чатов, включая Избранное (Saved Messages)
 dialogs = await client.get_dialogs()


 # Обход всех чатов
 for dialog in dialogs:
  print(f"Проверка чата: {dialog.title}")
  await process_chat(dialog)


 # Завершение работы клиента
 await client.disconnect()

• main: Асинхронная функция, которая управляет основным потоком выполнения.
• Внутри функции:
  • Сначала происходит подключение к Telegram с помощью client.start().
  • Затем с помощью get_dialogs() получаем все чаты, включая Избранное.
  • Для каждого чата вызывается функция process_chat, которая обрабатывает сообщения.
  • В конце работы клиента вызывается client.disconnect() для корректного завершения сессии.

9. Запуск скрипта:
Python: Скопировать в буфер обмена

with client:
 client.loop.run_until_complete(main())

• Используется контекстный менеджер with, который гарантирует, что клиент будет корректно закрыт после завершения работы.
• client.loop.run_until_complete(main()) запускает асинхронную функцию main, что инициирует весь процесс.

Заключение:

В данной статье мы подробно рассмотрели код, который позволяет автоматически искать SEED-фразы в текстовых сообщениях и изображениях Telegram-чатов. Используя библиотеки Telethon и pytesseract, мы создали эффективный инструмент для анализа сообщений, который может быть полезен в различных ситуациях, где в ручную заниматься поиском SEED-фраз совсем несуразно. Благодарю за прочтение моей первой статьи, если она понравилась вам - всегда можно поддержать автора лайком.

Автор: AGN
Специально для .is

Спойлер: Готовый код
Python: Скопировать в буфер обмена

import os
import re
from telethon import TelegramClient, events
from telethon.tl.types import InputMessagesFilterPhotos, InputMessagesFilterDocument
from PIL import Image
import pytesseract
from io import BytesIO


API_ID = 'ВАШ_API_ID'
API_HASH = 'ВАШ_API_HASH'
SESSION_NAME = 'telegram_parser_session'


SEED_REGEX = r'\b(?:\w+\s){11,23}\w+\b'


client = TelegramClient(SESSION_NAME, API_ID, API_HASH)


def find_seed_phrases(text):
 matches = re.findall(SEED_REGEX, text)
 return matches if matches else []


def extract_text_from_image(image_bytes):
 image = Image.open(BytesIO(image_bytes))
 return pytesseract.image_to_string(image)


async def process_chat(chat):
 async for message in client.iter_messages(chat):
  if message.text:
   seeds = find_seed_phrases(message.text)
   if seeds:
    print(f"[TEXT] Найдены SEED-фразы в чате {chat.title}: {seeds}")
  
  if message.photo or message.document:
   media = message.photo or message.document
   if media:
    image_bytes = await client.download_media(media, bytes)
    if image_bytes:
     extracted_text = extract_text_from_image(image_bytes)
     seeds = find_seed_phrases(extracted_text)
     if seeds:
      print(f"[IMAGE] Найдены SEED-фразы в чате {chat.title}: {seeds}")


async def main():
 await client.start()


 dialogs = await client.get_dialogs()

 for dialog in dialogs:
  print(f"Проверка чата: {dialog.title}")
  await process_chat(dialog)


 await client.disconnect()


with client:
 client.loop.run_until_complete(main())

 

[malware_cryptor]

Зачем столько сложностей?

AGN сказал(а):
r'\b(?:\w+\s){11,23}\w+\b'
Нажмите, чтобы раскрыть...

парсить оно будет все подряд идущие слова, а не только те из которых может состоять сидка


Вот мой код на си, сами разберетесь как использовать


C: Скопировать в буфер обмена

CVector* WordsContentToVector(char* words_content, DWORD content_length)
{
 CVector* cvector = CVectorInit(2048);
 if(!cvector) return 0;

 // cvector->reserved[0] = words_content;

 // CVectorPushElement(cvector, words_content);

 int idx = 0;
 // int

 for(int i = 0; i < content_length; i++)
 {
  if(!words_content[i]) break;

  if(words_content[i] == '\n')
  {
   words_content[i] = '\0';

   if(words_content[i + 1])
   {
    CVectorPushElement(cvector, &words_content[i + 1]);
   }
  }
 }


 // for(int i = 0; i < cvector->elem_count; i++)
 // {
 //  printf("%d, '%s'\n", i, CVectorGetElement(cvector, i));
 // }

 return cvector;
}


bool ischr(char c)
{
 return ((c >= 'A' && c <= 'Z') || (c >= 'a' && c <= 'z')) ? true : false;
}


bool IsValidWord(char* word, int word_length, CVector* words)
{
 if(!word || (word_length < 4) || (word_length > 9)) return false;

 for(int i = 0; i < words->elem_count; i++)
 {
  char* seed_word = CVectorGetElement(words, i);
  if(!memcmp(word, seed_word, word_length))
  {
   return true;
  }
 }

 return false;
}


char* _getseed(int word_count, int seed_length, char* text, int seed_start)
{
 if((word_count == 12) || (word_count == 18) || (word_count == 24))
 {
  //printf("found seed: '%.*s'\n", seed_length, text + seed_start);

  char* seed = malloc(seed_length + 1);
  if(seed)
  {
   memcpy(seed, text + seed_start, seed_length);

   seed[seed_length] = '\0';

   // printf("found seed: '%s'\n", seed);

   return seed;
  }
  else
  {
   printf("ERROR: malloc return 0 in _getseed\n");
  }

 }
 
 return 0;
}


CVector* GetSeedsFromText(char* text, int text_length, CVector* words)
{
 if(!text) return 0;

 int seed_start = -1;
 int seed_length = 0;
 int word_start = -1;
 int word_count = 0;
 char* seed = 0;
 char word[10];

 int ret = 0;

 CVector* found_seeds = CVectorInit(10);

 if(!found_seeds) return 0;

 for(int i = 0; i < text_length; i++)
 {
  // printf("%d|%c|, ", i, text[i]);

  if(ischr(text[i]))
  { 
   // printf("ischr!, ");
   if(i)
   {
    // printf("i != 0, ");

    if(!ischr(text[i - 1]))
    {
     // printf("text[i-1] = ' ', ");
     if(seed_start == -1)
     {
      // printf("seed_start = %d, ", i);
      seed_start = i;
     }

     if(word_start == -1)
     {
      // printf("word_start = %d, ", i);
      word_start = i;
     }
    }
    // else
    // {
    //  printf("skip");
    // }
   }
   else
   {
    // printf("i == 0, ");
    if(seed_start == -1)
    {
     // printf("seed_start = %d, ", i);
     seed_start = i;
    }

    if(word_start == -1)
    {
     // printf("word_start = %d, ", i);
     word_start = i;
    }
   }

   // printf("\n");
   

  }
  else
  {
   // printf("other symb!, ");

   if(seed_start == -1)
   {
    // printf("no seed start\n");
    continue;
   }
   
   if(word_start != -1)
   {
    int word_length = i - word_start;
    // printf("w_length = %d, ", word_length);

    if(word_length < 9)
    {
     memcpy(word, text + word_start, word_length);
     word[word_length] = '\0';
    }

    word_start = -1;
   

    if(IsValidWord(word, word_length + 1, words))
    {
     word_count++;

     // printf("word: '%s', word_c: %d\n", word, word_count);

    
     if(text[i] == ' ') continue;

     
     seed_length = i - seed_start;
    }
    else
    {
     // printf("noval word\n");
     seed_length = i - seed_start - word_length - 1;
    }

    seed = _getseed(word_count, seed_length, text, seed_start);
    if(seed)
    {
     ret = CVectorPushElement(found_seeds, seed);
     if(!ret)
     {
      free(seed);
     }
    }    
   }
   else
   {
    seed_length = i - seed_start;

    seed = _getseed(word_count, seed_length, text, seed_start);
    if(seed)
    {
     ret = CVectorPushElement(found_seeds, seed);
     if(!ret)
     {
      free(seed);
     }
    }
   }
   
   word_count = 0;
   seed_start = -1;
  }
 }

 if(!found_seeds->elem_count)
 {
  CVectorFree(found_seeds);
  return 0;
 }
 else
 {
  return found_seeds;
 }
}

 

[Stagex]

malware_cryptor сказал(а):
Вот это интересная идея



У тебя воспринимает как сидку любые слова идующие подряд, а не только 2048 мнемонических

Вот мой код на си, сами разберетесь что там да и как

Код: Скопировать в буфер обмена

CVector* WordsContentToVector(char* words_content, DWORD content_length)
{
 CVector* cvector = CVectorInit(2048);
 if(!cvector) return 0;

 // cvector->reserved[0] = words_content;

 // CVectorPushElement(cvector, words_content);

 int idx = 0;
 // int

 for(int i = 0; i < content_length; i++)
 {
  if(!words_content[i]) break;

  if(words_content[i] == '\n')
  {
   words_content[i] = '\0';

   if(words_content[i + 1])
   {
    CVectorPushElement(cvector, &words_content[i + 1]);
   }
  }
 }


 // for(int i = 0; i < cvector->elem_count; i++)
 // {
 //  printf("%d, '%s'\n", i, CVectorGetElement(cvector, i));
 // }

 return cvector;
}


bool ischr(char c)
{
 return ((c >= 'A' && c <= 'Z') || (c >= 'a' && c <= 'z')) ? true : false;
}


bool IsValidWord(char* word, int word_length, CVector* words)
{
 if(!word || (word_length < 4) || (word_length > 9)) return false;

 for(int i = 0; i < words->elem_count; i++)
 {
  char* seed_word = CVectorGetElement(words, i);
  if(!memcmp(word, seed_word, word_length))
  {
   return true;
  }
 }

 return false;
}


char* _getseed(int word_count, int seed_length, char* text, int seed_start)
{
 if((word_count == 12) || (word_count == 18) || (word_count == 24))
 {
  //printf("found seed: '%.*s'\n", seed_length, text + seed_start);

  char* seed = malloc(seed_length + 1);
  if(seed)
  {
   memcpy(seed, text + seed_start, seed_length);

   seed[seed_length] = '\0';

   // printf("found seed: '%s'\n", seed);

   return seed;
  }
  else
  {
   printf("ERROR: malloc return 0 in _getseed\n");
  }

 }
 
 return 0;
}


CVector* GetSeedsFromText(char* text, int text_length, CVector* words)
{
 if(!text) return 0;

 int seed_start = -1;
 int seed_length = 0;
 int word_start = -1;
 int word_count = 0;
 char* seed = 0;
 char word[10];

 int ret = 0;

 CVector* found_seeds = CVectorInit(10);

 if(!found_seeds) return 0;

 for(int i = 0; i < text_length; i++)
 {
  // printf("%d|%c|, ", i, text[i]);

  if(ischr(text[i]))
  { 
   // printf("ischr!, ");
   if(i)
   {
    // printf("i != 0, ");

    if(!ischr(text[i - 1]))
    {
     // printf("text[i-1] = ' ', ");
     if(seed_start == -1)
     {
      // printf("seed_start = %d, ", i);
      seed_start = i;
     }

     if(word_start == -1)
     {
      // printf("word_start = %d, ", i);
      word_start = i;
     }
    }
    // else
    // {
    //  printf("skip");
    // }
   }
   else
   {
    // printf("i == 0, ");
    if(seed_start == -1)
    {
     // printf("seed_start = %d, ", i);
     seed_start = i;
    }

    if(word_start == -1)
    {
     // printf("word_start = %d, ", i);
     word_start = i;
    }
   }

   // printf("\n");
   

  }
  else
  {
   // printf("other symb!, ");

   if(seed_start == -1)
   {
    // printf("no seed start\n");
    continue;
   }
   
   if(word_start != -1)
   {
    int word_length = i - word_start;
    // printf("w_length = %d, ", word_length);

    if(word_length < 9)
    {
     memcpy(word, text + word_start, word_length);
     word[word_length] = '\0';
    }

    word_start = -1;
   

    if(IsValidWord(word, word_length + 1, words))
    {
     word_count++;

     // printf("word: '%s', word_c: %d\n", word, word_count);

    
     if(text[i] == ' ') continue;

     
     seed_length = i - seed_start;
    }
    else
    {
     // printf("noval word\n");
     seed_length = i - seed_start - word_length - 1;
    }

    seed = _getseed(word_count, seed_length, text, seed_start);
    if(seed)
    {
     ret = CVectorPushElement(found_seeds, seed);
     if(!ret)
     {
      free(seed);
     }
    }   
   }
   else
   {
    seed_length = i - seed_start;

    seed = _getseed(word_count, seed_length, text, seed_start);
    if(seed)
    {
     ret = CVectorPushElement(found_seeds, seed);
     if(!ret)
     {
      free(seed);
     }
    }
   }
   
   word_count = 0;
   seed_start = -1;
  }
 }

 if(!found_seeds->elem_count)
 {
  CVectorFree(found_seeds);
  return 0;
 }
 else
 {
  return found_seeds;
 }
}

Нажмите, чтобы раскрыть...

для пайтон тупо через mnemonic проверяешь соответствие фразе и при истине запись строки в лист, в котором нужно дубли отсеять, что в его коде не предусмотрено(чат GPT видимо рулит)