数据抓取之反爬虫规则：验证码识别

数据抓取过程中，验证码是一个必须面对的坎。总体来说验证码识别分两种，机器识别和人工识别，随着现在验证码越来越变态，要想机器识别验证码已经越来越难了，典型的入12306那种已经更改为图像识别，而不是简单文字识别了。验证码识别技术有很多，这里仅总结自己在项目中用的的两种方式：

• 基于开源的Tesseract-OCR的技术
• 商业的验证码识别服务，这里就不说服务商的名字了，不广告，有需要的可以邮件联系，（其实是反正也没有钱拿，干嘛给别人打广告）

开源的Tesseract-OCR图片识别引擎

• 关于Tesseract-OCR，这里简单介绍下：开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后经由Google进行改进，消除bug，优化，重新发布。

• 下载地址在这里，http://code.google.com/p/tesseract-ocr 需翻墙，更多详细介绍，自行搜索。

• 这个软件windows和linux版本都有，linux系统中下载的时候主要要下载相关依赖。

• 下载完毕后直接通过命令行可以测试使用。详细不解释，自行搜索。

• 这里说明一点，我在项目中并没有直接使用这个引擎，而是使用了一个国人封装的一个库，这里广告以下，叫做EasyOCR ，开源软件，用了就帮人家喊一嗓子。具体用法自行看文档，文档很清楚了：http://www.easyproject.cn/easyocr/zh-cn/index.jsp

商业的验证码识别服务

• 商业的验证码识别服务有很多，自行搜索。
• 这里说明一点，很多商业的验证码识别服务，其实后台实现上也是使用一些商业或者开源的验证码识别软件，而复杂的验证码，比如计算题成语题之类的，基本都是采用人工打码的方式，所以用着些服务的时候延迟比较厉害，可能会3到5秒，有时候甚至十多秒，想了解的可以自行搜索人工打码

也可一去我的个人站点 查看
或者，欢迎关注俺的微信订阅号，每天一篇小笔记，每天提高一点点：
公众好：enilu123