反反爬虫技术提升 Python爬虫遇到验证码的解决思路

一 点睛

1 举例

中国知网的注册页面使用的是这种验证码，页面如下：

私信小编01即可获取大量Python学习资料

二 准备工作

1 目标

以知网的验证码为例，利用OCR（Optical Character Recognition 光学字符识别）技术识别图形验证码。

2 安装tesseract

2.2 下载tesseract-ocr-setup-3.05.01.exe

2.3 安装注意事项

勾选Additional language data（download）选项，这样可以识别多国语言。

3 安装tesserocr

pip install tesserocr pillow

安装好的Tesseract-OCR后，从D:Program Files (x86)Tesseract-OCR目录下，将tessdata文件夹拷贝到下面目录

E:WebSpidervenvScripts

4 获取验证码

将验证码图形 保存到本地，命名为code.jpg

三 实战

1 实战1

1.1 代码

import tesserocr
from PIL import Image
 
image = Image.open('code.jpg')
result = tesserocr.image_to_text(image)
print(result)
 
image = Image.open('code1.jpg')
result = tesserocr.image_to_text(image)
print(result)
 
image = Image.open('code2.jpg')
result = tesserocr.image_to_text(image)
print(result)

1.2 效果

E:WebSpidervenvScriptspython.exe E:/WebSpider/8_1.py
DTKD
JR42
PFRT

1.3 说明

code.jpg是DTKT

code1.jpg是JR42

code2.jpg是PFRT

将结果和实际图片进行比较，正确率还是比较高的。

2 实战2

2.1 代码

import tesserocr
 
print(tesserocr.file_to_text('code.jpg'))
print(tesserocr.file_to_text('code1.jpg'))
print(tesserocr.file_to_text('code2.jpg'))

2.2 效果

E:WebSpidervenvScriptspython.exe E:/WebSpider/8_1.py
DTKD
.ll?42
FFKT

2.3 说明

code.jpg是DTKT

code1.jpg是JR42

code2.jpg是PFRT

将结果和实际图片进行比较，正确率并不是很高。

3 实战3

3.1 代码

import tesserocr
from PIL import Image
 
image = Image.open('code2.jpg')
 
image = image.convert('L')
threshold = 127
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
 
image = image.point(table, '1')
image.show()
 
result = tesserocr.image_to_text(image)
print(result)

3.2 效果

E:WebSpidervenvScriptspython.exe E:/WebSpider/8_1.py
PFRT