爬虫验证码

Posted 2020-08-25

我现在使用 phantomJS 截图，然后裁剪得到验证码，再通过Python光学识别获取验证码。

这个过程中遇到 phantomJS 截图大小不一致的问题，我本地的和服务器的图片，验证码的位置不一致。没办法，只好把服务器上的图片 scp 下来，然后更改像素位置。

为什么不直接下载图片下来呢？

每次点击图片，图片都会变化。应该是要将 cookie 和验证码一起提交上去。要验证这个观点，我决定使用 Charles 抓包看这些请求的顺序，并更改 cookie 看下有什么变化。验证码的思路是不是这样的：

给定一个 Cookie: JSESSIONID=031BC3B941D43115B95924C504662637; 然后每次请求验证码，将这个 cookie 与验证码对应起来，如果多次请求，那么验证码以最近的为准，即新验证码会覆盖旧验证码。

　有一个网站验证码地址是这样的，刚打开登录页，验证码地址是

/traffic_web/kaptcha.jpg

重发请求 `/traffic_web/kaptcha.jpg`，验证码图片一直会变。应该是后端随机选择一张图片，然后与 cookie 绑定，再返回给客户端。这样的图片我们要怎么下载呢？应该是以当前的 cookie 访问  `/traffic_web/kaptcha.jpg` 并下载图片，再登录，整个过程中 cookie 应该是同一个。

因为一开始图方便就是用了 PhantomJS，大开大合。那现在这种情况要怎么处理呢？使用 session_request，cookie 从 phantomjs 中读取。我做的就是把截图变为下载图片，减少不稳定性。

试了一下，成功登陆。下面是我的代码：

import requests
import shutil


headers = {‘Cookie‘: ‘gsScrollPos=; JSESSIONID=54BE9AF60A0F98B10C0D10F195EAA4F3‘}
# 你们拿别的 url 去试一下，我这个是工作中用到的，不方便公开
url="http://url_to_kaptcha.jpg"

def f():
　　# 储存图片到本地  来源 http://stackoverflow.com/questions/13137817/how-to-download-image-using-requests
    response = session_request.get(url, headers=headers, stream=True)
    with open(‘img.png‘, ‘wb‘) as out_file:
        shutil.copyfileobj(response.raw, out_file)
    del response

f()

　　

还可以扩展的是

1. 使用 GitHub 上别人做好的识别验证码的库，对图片做修建。
2. 抓取大量验证码图片，使用机器学习提高识别率

我现在因为可以让对方不封 IP，所以也没动力去提高验证码识别率，使用Python的OCR，不做任何配置，只在 Python 代码中检验识别后的验证码去除空格的位数是否合适，一般最多识别10次就能成功登陆。