爬虫验证码识别初体验（文末代码）

Posted 2021-04-24 蕉下客Ne

今天分享一个爬虫登录时候验证码识别的案例。

（ 文末会给 代码的。 Wink~）

其实我在登录的时候一般是手动操作，目的是拿到cookie。因此不管登录时候遇到什么问题都无所谓。另一个原因是登录过程中需要定位啊，提交啊，通常采用selenium这个包，次数多的话我觉得它比较慢，所以一般也不用。最近开始关注验证码、滑块、拼图等反爬措施，以后应该也能用上。

以下内容来自对崔庆才老师书籍内容的学习，因为自己的实操，所以代码有部门改动，这个案例算是入门级吧，比较简单。

下面对这个网站进行登录：https://captcha7.scrape.center/。

从图片上可以感觉到，这个网站比较简单，用户名和密码都填admin就好，主要目的就是识别出验证码。验证码是一个图片，图片上包含数字和字母，数字字母旁边有一些干扰项（黑点之类的。）

这里就用selenium这个包来模拟浏览器的访问和点击等，需要提前下载driver,（有适用于不同浏览器的driver,我常用的是chromedriver。）

用以下代码定位到用户名、密码的位置以及验证码的链接，从而拿到验证码的图片：

browser.find_element_by_css_selector('.username input[type="text"]').send_keys('admin')browser.find_element_by_css_selector('.password input[type="password"]').send_keys('admin')captcha = browser.find_element_by_css_selector('#captcha')

以上的三行代码分别代表用户名、密码和验证码图片的定位。

为了识别验证码图片上的数字和字母，需要用到工具包。崔老师原代码里用的是tesserocr，tesserocr是python的一个OCR识别库，可以做到字母和数字的识别。但是在我的实战中，发现这个包很难搞。首先是安装，pip install总是办错，后来费了大半天劲安装好了。发现一个重要的函数image_to_text没有，这个函数缺失也就无法得到结果了。

因此，这里建议安装pytesseract这个包，安装和调用都很方便。

pip install pytesseract

获取到图片后，首先对图片进行一个预处理。

def preprocess(image): image = image.convert('L') array = np.array(image) array = np.where(array > 50, 255, 0) image = Image.fromarray(array.astype('uint8')) return image

预处理可以理解为对图片的去噪。

上图是网站上出现的原始图片，经过预处理之后，图片变为：

可以发现，干扰点被去除了，颜色也变成了灰白（灰度处理）。经过处理之后更容易识别。

接下来通过 pytesseract这个包可以直接拿到识别结果，调用image_to_string函数即可得到结果。

captcha = pytesseract.image_to_string(image)captcha = re.sub('[^A-Za-z0-9]', '', captcha)browser.find_element_by_css_selector('.captcha input[type="text"]').send_keys(captcha)browser.find_element_by_css_selector('.login').click()

从下图可以看到，验证码识别准确。

再通过以上代码将识别出的验证码提交，就完成验证啦～

最后需要说明的是， pytesseract这个包可以用，但并不是百分百准确的，做数字和字母的组合验证其实也可以自己写一个算法，很多分类算法都可以用。我记得我本科时候就写过一个识别车牌号的作业，当时用的SVM算法。因此，如果觉得这个包不好用，也可以自己写。

最后，获取本文的完整代码，关注公众号且回复：验证码，就可以啦！

（只有30+行）

今天是2020年12月30日，祝大家新年快乐～新的一年，健康美丽又有钱～