驗(yàn)證碼

當(dāng)我們?cè)谂廊∧承┚W(wǎng)站的時(shí)候，對(duì)于一些頻繁請(qǐng)求，網(wǎng)站會(huì)識(shí)別你是機(jī)器還是人。如果是機(jī)器，直接不允許你訪問這個(gè)網(wǎng)站了，直接返回404或者禁止訪問。

最常見的方式就是驗(yàn)證碼。驗(yàn)證碼的主要功能就是區(qū)分當(dāng)前訪問網(wǎng)站的是人還是代碼。越難識(shí)別或者越模糊的驗(yàn)證碼區(qū)分能力卻強(qiáng)。網(wǎng)站想方設(shè)法的搞一些手段來對(duì)付技術(shù)，就是想讓服務(wù)器不用承受代碼大量訪問的壓力，這樣就能夠?yàn)檎Ｓ脩籼峁┝鲿车姆?wù)了。

但是，技術(shù)又能對(duì)付人們的想法。一來一去，就有了各種各樣的變態(tài)驗(yàn)證碼，也有了各種各樣的應(yīng)對(duì)方式。

常見的驗(yàn)證碼有這么幾種：

• 圖像驗(yàn)證
• 語音驗(yàn)證
• 短信驗(yàn)證
• 極驗(yàn)驗(yàn)證
• 點(diǎn)擊驗(yàn)證

如何識(shí)別圖像驗(yàn)證碼

來看看這些圖片驗(yàn)證碼：

這些驗(yàn)證碼大多是數(shù)字和字母組成，然后在此之上再添加一些模糊的噪點(diǎn)或者橫線豎線，或者把這些字符扭曲一下，增加識(shí)別難度。

接下來我們思考一下，我們要識(shí)別這類驗(yàn)證碼要怎么做呢？

首先要處理一下驗(yàn)證碼圖片，什么亂七八糟的噪點(diǎn)都盡量把它們?nèi)サ?#xff0c;讓圖片盡量黑白，盡量只剩下字符本身，然后再用 python 強(qiáng)大的 OCR 工具：

Python-tesseract

來識(shí)別我們優(yōu)化好的圖片，這樣正確率就會(huì)大大的提高。

我們用 python 搞幾張識(shí)別難度不同的驗(yàn)證碼：

第一張

難度系數(shù)： ★，一顆星

第二張

難度系數(shù)： ★★，兩顆星

第三張

難度系數(shù)： ★★★，三顆星

第四張

難度系數(shù)： ★★★★，四顆星

第五張

難度系數(shù) ： ★★★★★，五顆星

先對(duì)第一張進(jìn)行識(shí)別。第一張看起來比較清晰，識(shí)別起來沒有難度。

先安裝一下 pytesseract ：

pip?install?pytesseract

接著安裝一下 tesseract-ocr：

如果是 ubuntu 系統(tǒng)可以直接使用如下命令安裝：

sudo?apt?install?tesseract-ocr

如果是 win 系統(tǒng)自行百度一下安裝 tesseract-ocr 以及環(huán)境變量配置。

完了之后就導(dǎo)入相關(guān)模塊到代碼文件中：

try: from PIL import Imageexcept ImportError: import Imageimport pytesseract

接著打開第一張圖片，使用 pytesseract 識(shí)別，打印出結(jié)果：

captcha = Image.open("captcha1.png")result = pytesseract.image_to_string(captcha)print(result)

結(jié)果：

識(shí)別成功！

接著來識(shí)別第 2 張：

captcha = Image.open("claptcha2.png")result = pytesseract.image_to_string(captcha)print(result)

結(jié)果是

1924，結(jié)果有誤！pytesseract 準(zhǔn)確率沒那么高，沒辦法識(shí)別太多噪點(diǎn)的圖片。如果這個(gè)圖片再加上一點(diǎn)彩色背景如下圖：

對(duì) pytesseract 來說更有難度。

所以我們先對(duì)這張圖片灰度處理一下：

captcha = Image.open("captcha2.png")result = captcha.convert('L')result.show()

圖片就變成灰了：

雖然灰了，但是還不夠。除了處理灰度還需要對(duì)其進(jìn)行“二值化”：

def convert_img(img,threshold): img = img.convert("L") # 處理灰度 pixels = img.load() for x in range(img.width): for y in range(img.height): if pixels[x, y] > threshold: pixels[x, y] = 255 else: pixels[x, y] = 0 return img

調(diào)用一下：

convert_img(captcha,150)

圖片就變成了：

非常清晰！

這時(shí)候?qū)@張圖片識(shí)別一下：

# 識(shí)別一下result = pytesseract.image_to_string(result)print(result)

成功識(shí)別！

接下來再來看看有毛有噪的圖片：

這時(shí)候直接去識(shí)別是識(shí)別不出來的。所以還是老辦法，先處理灰度，再進(jìn)行“二值化”。這次再降一下噪：

data = img.getdata() w,h = img.size count = 0 for x in range(1,h-1): for y in range(1, h - 1): # 找出各個(gè)像素方向 mid_pixel = data[w * y + x] if mid_pixel == 0: top_pixel = data[w * (y - 1) + x] left_pixel = data[w * y + (x - 1)] down_pixel = data[w * (y + 1) + x] right_pixel = data[w * y + (x + 1)] if top_pixel == 0: count += 1 if left_pixel == 0: count += 1 if down_pixel == 0: count += 1 if right_pixel == 0: count += 1 if count > 4: img.putpixel((x, y), 0)

圖片變成這樣了：

再識(shí)別一下：

不過，pytesseract 不是萬能的，對(duì)于稍微復(fù)雜一點(diǎn)的就識(shí)別不出來了。至于這張：

我們?nèi)庋鄱己茈y看出它是 1l1l0oO0，更不要說用代碼去識(shí)別了，所以 pytesseract 也識(shí)別不了。

對(duì)于一些簡(jiǎn)單的驗(yàn)證碼，使用 pytesseract 還是可以的。如果我們想提高 pytesseract 識(shí)別率，還可以去搞些圖片去訓(xùn)練一下 tesseract-ocr。這樣，當(dāng)我們遇到一些登錄需要驗(yàn)證碼的網(wǎng)站時(shí)，直接引入本文識(shí)別驗(yàn)證碼的方法就可以繼續(xù)爬數(shù)據(jù)了。

總結(jié)

以上是生活随笔為你收集整理的python selenium 验证码识别_Python网络爬虫之如何用代码识别图片验证码的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。