爬虫基础：验证码的爬取和识别详解

Posted 2021-05-01 大快搜索

目前，很多网站会采取各种各样的措施来反爬虫，验证码就是其中一种，比如当检测到访问频率过高时会弹出验证码让你输入，确认访问网站的不是机器人。但随着爬虫技术的发展，验证码的花样也越来越多，从最开始简单的几个数字或字母构成的图形验证码（也就是我们今天要涉及的）发展到需要点击倒立文字字母的、与文字相符合的图片的点触型验证码，需要滑动到合适位置的极验滑动验证码，以及计算题验证码等等，总之花样百出，让人头秃。验证码其他的相关知识大家可以看下这个网站：captcha.org

再来简单说下图形验证码吧，就像这张：

由字母和数字组成，再加上一些噪点，但为了防止被识别，简单的图形验证码现在也变得复杂，有的加了干扰线，有的加噪点，有的加上背景，字体扭曲、粘连、镂空、混用等等，甚至有时候人眼都难以识别，只能默默点击“看不清，再来一张”。

验证码难度的提高随之带来的就是识别的成本也需要提高，在接下来的识别过程中，我会先直接使用百度文字识别OCR，来测试识别准确度，再确认是否选择转灰度、二值化以及去干扰等图像操作优化识别率。

接下来我们就来爬取少量验证码图片存入文件。

首先打开Chrome浏览器，访问刚刚介绍的网站，里面有一个captcha图像样本链接：https://captcha.com/captcha-examples.html?cst=corg，网页里有60张不同类型的图形验证码，足够我们用来识别试验了。

直接来看代码吧：

import requests
import os
import time
from lxml import etree


def get_Page(url,headers):
    response = requests.get(url,headers=headers)
    if response.status_code == 200:
        # print(response.text)
        return response.text
    return None


def parse_Page(html,headers):
    html_lxml = etree.HTML(html)
    datas = html_lxml.xpath('.//div[@class="captcha_images_left"]|.//div[@class="captcha_images_right"]')
    item= {}
    # 创建保存验证码文件夹
    file = 'D:/******'
    if os.path.exists(file):
        os.chdir(file)
    else:    
        os.mkdir(file)
        os.chdir(file)    
    for data in datas:
        # 验证码名称
        name = data.xpath('.//h3')
        # print(len(name))
        # 验证码链接
        src = data.xpath('.//div/img/@src')    
        # print(len(src))
        count = 0
        for i in range(len(name)):
            # 验证码图片文件名
            filename = name[i].text + '.jpg'
            img_url = 'https://captcha.com/' + src[i]
            response = requests.get(img_url,headers=headers)
            if response.status_code == 200:
                image = response.content
                with open(filename,'wb') as f:
                    f.write(image)
                    count += 1
                    print('保存第{}张验证码成功'.format(count))
                    time.sleep(1)


def main():
    url = 'https://captcha.com/captcha-examples.html?cst=corg'
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'}
    html = get_Page(url,headers)
    parse_Page(html,headers)


if __name__ == '__main__':
    main()

仍然使用Xpath爬取，在右键检查图片时可以发现，网页分为两栏，如下图红框所示，根据class分为左右两栏，验证码分别位于两栏中。

datas = html_lxml.xpath('.//div[@class="captcha_images_left"]|.//div[@class="captcha_images_right"]')

这里我使用了Xpath中的路径选择，在路径表达式中使用“|”表示选取若干路径，例如这里表示的就是选取class为"captcha_images_left"或者"captcha_images_right"的区块。再来看下运行结果：

由于每爬取一张验证码图片都强制等待了1秒，最后这个运行时间确实让人绝望，看样子还是需要多线程来加快速度的，关于多进程多线程我们下次再说，这里我们先来看下爬取到的验证码图片。

图片到手了，接下来就是调用百度文字识别的OCR来识别这些图片了，在识别之前，先简单介绍一下百度OCR的使用方法，因为很多识别验证码的教程用的都是tesserocr库，所以一开始我也尝试过，安装过程中就遇到了很多坑，后来还是没有继续使用，而是选择了百度OCR来识别。百度OCR接口提供了自然场景下图片文字检测、定位、识别等功能。文字识别的结果可以用于翻译、搜索、验证码等代替用户输入的场景。另外还有其他视觉、语音技术方面的识别功能，大家可以直接阅读文档了解：百度OCR-API文档https://ai.baidu.com/docs#/OCR-API/top

使用百度OCR的话，首先注册用户，然后下载安装接口模块，直接终端输入pip install baidu-aip即可。然后创建文字识别应用，获取相关Appid,API Key以及Secret Key，需要了解一下的是百度AI每日提供50000次免费调用通用文字识别接口的使用次数，足够我们挥霍了。

然后就可以直接调用代码了。

from aip import AipOcr

#  你的 APPID AK SK 
APP_ID = '你的 APP_ID '
API_KEY = '你的API_KEY'
SECRET_KEY = '你的SECRET_KEY'

client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

# 读取图片 
def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()

image = get_file_content('test.jpg')

#  调用通用文字识别, 图片参数为本地图片 
result = client.basicGeneral(image)


# 定义参数变量  
options = {
    # 定义图像方向
        'detect_direction' : 'true',
    # 识别语言类型，默认为'CHN_ENG'中英文混合
        'language_type' : 'CHN_ENG',


}

# 调用通用文字识别接口  
result = client.basicGeneral(image,options)
print(result)
for word in result['words_result']:
    print(word['words'])

这里我们识别的是这张图

可以看一下识别结果

上面是识别后直接输出的结果，下面是单独提取出来的文字部分。可以看到，除了破折号没有输出外，文字部分都全部正确输出了。这里我们使用的图片是jpg格式，文字识别传入的图像支持jpg/png/bmp格式，但在技术文档中有提到，使用jpg格式的图片上传会提高一定准确率，这也是我们爬取验证码时使用jpg格式保存的原因。

输出结果中,各字段分别代表：

• log_id : 唯一的log id，用于定位问题

• direction : 图像方向，传入参数时定义为true表示检测，0表示正向，1表示逆时针90度，2表示逆时针180度，3表示逆时针270度，-1表示未定义。

• words_result_num : 识别的结果数，即word_result的元素个数

• word_result : 定义和识别元素数组

• words : 识别出的字符串
  还有一些非必选字段大家可以去文档里熟悉一下。

接下来，我们要做的，就是将我们之前爬取到的验证码用刚介绍的OCR来识别，看看究竟能不能得到正确结果。

from aip import AipOcr
import os


i = 0
j = 0
APP_ID = '你的 APP_ID '
API_KEY = '你的API_KEY'
SECRET_KEY = '你的SECRET_KEY'

client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

# 读取图片 
file_path = 'D:******验证码图片'
filenames = os.listdir(file_path)
# print(filenames)
for filename in filenames:
    # 将路径与文件名结合起来就是每个文件的完整路径
    info = os.path.join(file_path,filename)
    with open(info, 'rb') as fp:
        # 获取文件夹的路径    
        image = fp.read()
        # 调用通用文字识别, 图片参数为本地图片
        result = client.basicGeneral(image)
        # 定义参数变量  
        options = {
                'detect_direction' : 'true',
                'language_type' : 'CHN_ENG',
        }
        # 调用通用文字识别接口  
        result = client.basicGeneral(image,options)
        # print(result)
        if result['words_result_num'] == 0:
            print(filename + ':' + '----')
            i += 1
        else:
            for word in result['words_result']:                    
                print(filename + ' : ' +word['words'])
                j += 1

print('共识别验证码{}张'.format(i+j))
print('未识别出文本{}张'.format(i))
print('已识别出文本{}张'.format(j))

和识别图片一样，这里我们将文件夹验证码图片里的图片全部读取出来，依次让OCR识别，并依据“word_result_num”字段判断是否成功识别出文本，识别出文本则打印结果，未识别出来的用“----”代替，并结合文件名对应识别结果 。最后统计识别结果数量，再来看下识别结果。

看到结果，只能说Amazing！60张图片居然识别出了65张，并且还有27张为未识别出文本的，这不是我想要的结果~先来简单看下问题出在哪里，看到“Vertigo Captcha Image.jpg"这张图名出现了两次，怀疑是在识别过程中由于被干扰，所以识别成两行文字输出了，这样就很好解释为什么多出来5张验证码图片了。可是！为什么会有这么多未识别出文本呢，而且英文数字组成的验证码识别成中文了，看样子，不对验证码图片进行去干扰处理，仅靠OCR来识别的想法果然还是行不通啊。那么接下来我们便使用图像处理的方法来重新识别验证码吧。

还是介绍验证码时用的这张图

这张图也没能被识别出来，让人头秃。接下来就对这张图片进行一定处理，看能不能让OCR正确识别

from PIL import Image

filepath = 'D:******验证码图片AncientMosaic Captcha Image.jpg'
image = Image.open(filepath)
# 传入'L'将图片转化为灰度图像
image = image.convert('L')
# 传入'1'将图片进行二值化处理
image = image.convert('1')
image.show()

这样子转化后再来看下图片变成什么样了？

确实有些不同了，赶紧拿去试试能不能识别，还是失败了~~继续修改

from PIL import Image

filepath = 'D:******验证码图片AncientMosaic Captcha Image.bmp'
image = Image.open(filepath)
# 传入'L'将图片转化为灰度图像
image = image.convert('L')
# 传入'l'将图片进行二值化处理,默认二值化阈值为127
# 指定阈值进行转化
count= 170
table = []
for i in range(256):
    if i < count:
        table.append(0)
    else:
        table.append(1 )
image = image.point(table,'1')
image.show()

这里我将图片保存成了bmp模式，然后指定二值化的阈值，不指定的话默认为127，我们需要先转化原图为灰度图像，不能直接在原图上转化。然后将构成验证码的所需像素添加到一个table中，然后再使用point方法构建新的验证码图片。

现在已经识别到文字了，虽然我不知道为啥识别成了“珍”，分析之后发现是因为z我在设置参数设置了“language_type”为“CHN_ENG”，中英文混合模式，于是我修改成“ENG”英文类型，发现可以识别成字符了，但依然没有识别成功，尝试其他我所知道的方法后，我表示很无语，我决定继续尝试PIL库的其他方法试试。

# 找到边缘
image = image.filter(ImageFilter.FIND_EDGES)
# image.show()
# 边缘增强
image = image.filter(ImageFilter.EDGE_ENHANCE)
image.show()

还是不能正确识别，我决定换个验证码试试。。。。。。

我找了这张带有阴影的

from PIL import Image,ImageFilter

filepath = 'D:******验证码图片CrossShadow2 Captcha Image.jpg'
image = Image.open(filepath)
# 传入'L'将图片转化为灰度图像
image = image.convert('L')

# 传入'l'将图片进行二值化处理,默认二值化阈值为127
# 指定阈值进行转化
count= 230
table = []
for i in range(256):
    if i < count:
        table.append(1)
    else:
        table.append(0)
image = image.point(table,'1')
image.show()

简单处理后，得到这样的图片：

识别结果为：

识别成功了，老泪纵横！！！看样子百度OCR还是可以识别出验证码的，不过识别率还是有点低，需要对图像进行一定处理，才能增加识别的准确率。不过百度OCR对规范文本的识别还是很准确的。

那么与其他验证码相比，究竟是什么让这个验证码更容易被OCR读懂呢?

• 字母没有相互叠加在一起，在水平方向上也没有彼此交叉。也就是说，可以在每一个字 母外面画一个方框，而不会重叠在一起。

• 图片没有背景色、线条或其他对 OCR 程序产生干扰的噪点。

• 白色背景色与深色字母之间的对比度很高。

这样的验证码相对识别起来较容易，另外，像识别图片时的白底黑字就属于很标准的规范文本了，所以识别的准确度较高。至于更复杂的图形验证码，就需要更深的图像处理技术或者训练好的OCR来完成了，如果只是简单识别一个验证码的话，不如人工查看图片输入，更多一点的话，也可以交给打码平台来识别。