今天要給大家介紹的是驗證碼的爬取和識別，不過只涉及到最簡單的圖形驗證碼，也是現在比較常見的一種型別。

 

執行平臺：Windows

 

Python版本：Python3.6

 

IDE: Sublime Text

 

其他：Chrome瀏覽器

 

​

簡述流程

 

步驟1：簡單介紹驗證碼

 

步驟2：爬取少量驗證碼圖片

 

步驟3：介紹百度文字識別OCR

 

步驟4：識別爬取的驗證碼

 

步驟5：簡單影象處理

 

目前，很多網站會採取各種各樣的措施來反爬蟲，驗證碼就是其中一種，比如當檢測到訪問頻率過高時會彈出驗證碼讓你輸入，確認訪問網站的不是機器人。但隨著爬蟲技術的發展，驗證碼的花樣也越來越多，從最開始簡單的幾個數字或字母構成的圖形驗證碼（也就是我們今天要涉及的）發展到需要點選倒立文字字母的、與文字相符合的圖片的點觸型驗證碼，需要滑動到合適位置的極驗滑動驗證碼，以及計算題驗證碼等等，總之花樣百出，讓人頭禿。驗證碼其他的相關知識大家可以看下這個網站：captcha.org

 

再來簡單說下圖形驗證碼吧，就像這張：

 

​

 

由字母和數字組成，再加上一些噪點，但為了防止被識別，簡單的圖形驗證碼現在也變得複雜，有的加了干擾線，有的加噪點，有的加上背景，字型扭曲、粘連、鏤空、混用等等，甚至有時候人眼都難以識別，只能默默點選“看不清，再來一張”。

 

驗證碼難度的提高隨之帶來的就是識別的成本也需要提高，在接下來的識別過程中，我會先直接使用百度文字識別OCR，來測試識別準確度，再確認是否選擇轉灰度、二值化以及去幹擾等影象操作優化識別率。

 

接下來我們就來爬取少量驗證碼圖片存入檔案。

 

首先開啟Chrome瀏覽器，訪問剛剛介紹的網站，裡面有一個captcha影象樣本連結：https://captcha.com/captcha-examples.html?cst=corg，網頁裡有60張不同型別的圖形驗證碼，足夠我們用來識別試驗了。

 

​

 

直接來看程式碼吧：

 

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= {}
    # 建立儲存驗證碼資料夾
    file = 'D:/******'
    if os.path.exists(file):
        os.chdir(file)
    else:    
        os.mkdir(file)
        os.chdir(file)    
    for data in datas:
        # 驗證碼名稱
        name = data.xpath('.//h3')
        # print(len(name))
        # 驗證碼連結
        src = data.xpath('.//div/img/@src')    
        # print(len(src))
        count = 0
        for i in range(len(name)):
            # 驗證碼圖片檔名
            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('儲存第{}張驗證碼成功'.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，在右鍵檢查圖片時可以發現，網頁分為兩欄，如下圖紅框所示，根據class分為左右兩欄，驗證碼分別位於兩欄中。

 

​

 

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

 

這裡我使用了Xpath中的路徑選擇，在路徑表示式中使用“|”表示選取若干路徑，例如這裡表示的就是選取class為"captcha_images_left"或者"captcha_images_right"的區塊。再來看下執行結果：

 

​

 

由於每爬取一張驗證碼圖片都強制等待了1秒，最後這個執行時間確實讓人絕望，看樣子還是需要多執行緒來加快速度的，關於多程序多執行緒我們下次再說，這裡我們先來看下爬取到的驗證碼圖片。

 

​

 

圖片到手了，接下來就是呼叫百度文字識別的OCR來識別這些圖片了，在識別之前，先簡單介紹一下百度OCR的使用方法，因為很多識別驗證碼的教程用的都是tesserocr庫，所以一開始我也嘗試過，安裝過程中就遇到了很多坑，後來還是沒有繼續使用，而是選擇了百度OCR來識別。百度OCR介面提供了自然場景下圖片文字檢測、定位、識別等功能。文字識別的結果可以用於翻譯、搜尋、驗證碼等代替使用者輸入的場景。另外還有其他視覺、語音技術方面的識別功能，大家可以直接閱讀文件瞭解：百度OCR-API文件

https://ai.baidu.com/docs#/OCR-API/top

 

​

 

使用百度OCR的話，首先註冊使用者，然後下載安裝介面模組，直接終端輸入pip install baidu-aip即可。然後建立文字識別應用，獲取相關Appid,API Key以及Secret Key，需要了解一下的是百度AI每日提供50000次免費呼叫通用文字識別介面的使用次數，足夠我們揮霍了。

 

​

 

然後就可以直接呼叫程式碼了。

 

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)

# 讀取圖片 
def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()

image = get_file_content('test.jpg')

#  呼叫通用文字識別, 圖片引數為本地圖片 
result = client.basicGeneral(image)


# 定義引數變數  
options = {
    # 定義影象方向
        'detect_direction' : 'true',
    # 識別語言型別，預設為'CHN_ENG'中英文混合
        'language_type' : 'CHN_ENG',


}

# 呼叫通用文字識別介面  
result = client.basicGeneral(image,options)
print(result)
for word in result['words_result']:
    print(word['words'])

 

這裡我們識別的是這張圖

 

​

 

可以看一下識別結果

 

​

 

上面是識別後直接輸出的結果，下面是單獨提取出來的文字部分。可以看到，除了破折號沒有輸出外，文字部分都全部正確輸出了。這裡我們使用的圖片是jpg格式，文字識別傳入的影象支援jpg/png/bmp格式，但在技術文件中有提到，使用jpg格式的圖片上傳會提高一定準確率，這也是我們爬取驗證碼時使用jpg格式儲存的原因。

 

輸出結果中,各欄位分別代表：

 

log_id : 唯一的log id，用於定位問題

 

direction : 影象方向，傳入引數時定義為true表示檢測，0表示正向，1表示逆時針90度，2表示逆時針180度，3表示逆時針270度，-1表示未定義。

 

words_result_num : 識別的結果數，即word_result的元素個數

 

word_result : 定義和識別元素陣列

 

words : 識別出的字串

還有一些非必選欄位大家可以去文件裡熟悉一下。

 

接下來，我們要做的，就是將我們之前爬取到的驗證碼用剛介紹的OCR來識別，看看究竟能不能得到正確結果。

 

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)

# 讀取圖片 
file_path = 'D:******驗證碼圖片'
filenames = os.listdir(file_path)
# print(filenames)
for filename in filenames:
    # 將路徑與檔名結合起來就是每個檔案的完整路徑
    info = os.path.join(file_path,filename)
    with open(info, 'rb') as fp:
        # 獲取資料夾的路徑    
        image = fp.read()
        # 呼叫通用文字識別, 圖片引數為本地圖片
        result = client.basicGeneral(image)
        # 定義引數變數  
        options = {
                'detect_direction' : 'true',
                'language_type' : 'CHN_ENG',
        }
        # 呼叫通用文字識別介面  
        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('共識別驗證碼{}張'.format(i+j))
print('未識別出文本{}張'.format(i))
print('已識別出文本{}張'.format(j))

 

和識別圖片一樣，這裡我們將資料夾驗證碼圖片裡的圖片全部讀取出來，依次讓OCR識別，並依據“word_result_num”欄位判斷是否成功識別出文本，識別出文本則列印結果，未識別出來的用“----”代替，並結合檔名對應識別結果 。最後統計識別結果數量，再來看下識別結果。

 

​

 

看到結果，只能說Amazing！60張圖片居然識別出了65張，並且還有27張為未識別出文本的，這不是我想要的結果~先來簡單看下問題出在哪裡，看到“Vertigo Captcha Image.jpg"這張圖名出現了兩次，懷疑是在識別過程中由於被幹擾，所以識別成兩行文字輸出了，這樣就很好解釋為什麼多出來5張驗證碼圖片了。可是！為什麼會有這麼多未識別出文本呢，而且英文數字組成的驗證碼識別成中文了，看樣子，不對驗證碼圖片進行去幹擾處理，僅靠OCR來識別的想法果然還是行不通啊。那麼接下來我們便使用影象處理的方法來重新識別驗證碼吧。

 

還是介紹驗證碼時用的這張圖

 

​

 

​

 

這張圖也沒能被識別出來，讓人頭禿。接下來就對這張圖片進行一定處理，看能不能讓OCR正確識別

 

from PIL import Image

filepath = 'D:******驗證碼圖片AncientMosaic Captcha Image.jpg'
image = Image.open(filepath)
# 傳入'L'將圖片轉化為灰度影象
image = image.convert('L')
# 傳入'1'將圖片進行二值化處理
image = image.convert('1')
image.show()

 

這樣子轉化後再來看下圖片變成什麼樣了？

 

​

 

確實有些不同了，趕緊拿去試試能不能識別，還是失敗了~~繼續修改

 

from PIL import Image

filepath = 'D:******驗證碼圖片AncientMosaic Captcha Image.bmp'
image = Image.open(filepath)
# 傳入'L'將圖片轉化為灰度影象
image = image.convert('L')
# 傳入'l'將圖片進行二值化處理,預設二值化閾值為127
# 指定閾值進行轉化
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()

 

這裡我將圖片儲存成了bmp模式，然後指定二值化的閾值，不指定的話預設為127，我們需要先轉化原圖為灰度影象，不能直接在原圖上轉化。然後將構成驗證碼的所需畫素新增到一個table中，然後再使用point方法構建新的驗證碼圖片。

 

​

 

​

 

現在已經識別到文字了，雖然我不知道為啥識別成了“珍”，分析之後發現是因為z我在設定引數設定了“language_type”為“CHN_ENG”，中英文混合模式，於是我修改成“ENG”英文型別，發現可以識別成字元了，但依然沒有識別成功，嘗試其他我所知道的方法後，我表示很無語，我決定繼續嘗試PIL庫的其他方法試試。

 

# 找到邊緣
image = image.filter(ImageFilter.FIND_EDGES)
# image.show()
# 邊緣增強
image = image.filter(ImageFilter.EDGE_ENHANCE)
image.show()

 

​

 

還是不能正確識別，我決定換個驗證碼試試。。。。。。

 

​

 

我找了這張帶有陰影的

 

from PIL import Image,ImageFilter

filepath = 'D:******驗證碼圖片CrossShadow2 Captcha Image.jpg'
image = Image.open(filepath)
# 傳入'L'將圖片轉化為灰度影象
image = image.convert('L')

# 傳入'l'將圖片進行二值化處理,預設二值化閾值為127
# 指定閾值進行轉化
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()

 

簡單處理後，得到這樣的圖片：

 

​

 

識別結果為：

 

相關推薦