python爬虫之图形验证码学习

1. Tesseract介绍

有时候我们在登录或者请求一些数据时候会遇到图形验证码。因此我们引入一种能将图片翻译成文字的技术。将图片翻译成文字一般被称为光学文字识别(Optical Character Recognition)，简写为OCR。
实现OCR的库不是很多，特别是开源的。因为这块存在一定的技术壁垒(需要大量的数据、算法、机器学习、深度学习知识等），并且如果做好了具有很高的商业价值。因此开源的比较少。
这里就介绍一个图形识别开源库Tesseract。Tesseract是⼀个将图像翻译成文字的OCR(光学文字识别,Optical Character Recognition),目前由谷歌赞助。Tesseract是目前公认最优秀、最准确的开源OCR库。Tesseract具有很高的识别度，也具有很高的灵活性，他可以通过训练识别任何字体。

2. Tesseract安装

Windows系统安装可以在以下链接下载可执行文件：
https://github.com/tesseract-ocr/

安装步骤分为：
（1）在Python中调用Tesseract:

pip install pytesseract

（2）安装可执行文件，设置环境变量
安装完成后，如果想要在命令行中使用Tesseract，那么应该设置环境变量。Mac和Linux在安装的时候就默认已经设置好了。在Windows 下把tesseract.exe所在的路径添加到PATH环境变量中。还有一个环境变量需要设置的是，要把训练的数据文件路径也放到环境变量中。在环境变量中， 添加一个

TESSDATA_PREFIX=D:\Tesseract-OCR\tessdata

进⼊cmd输⼊下面的命令查看版本，正常运行则安装成功

tesseract --version

识别的语言只有两种语言，若要识别中文语言，需要下载语言安装包
URL地址：https://github.com/tesseract-ocr/tessdat

3. Tesseract使用

案例1

import pytesseract
from PIL import Image # Pillow 图像处理库 2011年

# 指定tesseract驱动的路径和数据包的路径
pytesseract.pytesseract.tesseract_cmd = r"D:\Tesseract\Tesseract-OCR\tesseract.exe"
tessdata_dir_config = r'--tessdata-dir "D:\Tesseract\Tesseract-OCR\tessdata"'
# 打开图片
image = Image.open('demo.jpg')
# 识别的结果 第一个参数是图片 第二个参数是语言 第三个参数是 配置
result = pytesseract.image_to_string(image, lang='eng',  config=tessdata_dir_config)
result_strip = result.replace(' ','')
print(result,'\n',result_strip,)
# 7 3 6 4 
#  7364

案例2

import pytesseract
from PIL import Image
from urllib import request
import time

# 指定tesseract驱动的路径和数据包的路径
pytesseract.pytesseract.tesseract_cmd = r"D:\Tesseract\Tesseract-OCR\tesseract.exe"
tessdata_dir_config = r'--tessdata-dir "D:\Tesseract\Tesseract-OCR\tessdata"'

# 识别验证码图片
while True:
    # 获取图片验证码的地址
    url = 'https://passport.lagou.com/vcode/create?from=register&refresh=1513081451891'
    # 第一个参数目标url 第二个参数 文件名/保存的路径
    request.urlretrieve(url,'captcha.png')
    # 打开图片
    image = Image.open('captcha.png')
    # 结果
    result = pytesseract.image_to_string(image, lang='eng', config=tessdata_dir_config)
    print(result.replace(' ',''))
    time.sleep(2)

4. 打码云平台

在这里简单介绍一个识别验证码的平台，需要花费去帮忙识别验证码，但是价格相对较便宜。有需要的可以去看看
http://www.ttshitu.com/
网址如上，操作的python代码如下

import json
import requests
import base64
from io import BytesIO
from PIL import Image
from sys import version_info


def base64_api(uname, pwd, img):
    img = img.convert('RGB')
    buffered = BytesIO()
    img.save(buffered, format="JPEG")
    if version_info.major >= 3:
        b64 = str(base64.b64encode(buffered.getvalue()), encoding='utf-8')
    else:
        b64 = str(base64.b64encode(buffered.getvalue()))
    data = {"username": uname, "password": pwd, "image": b64}
    result = json.loads(requests.post("http://api.ttshitu.com/base64", json=data).text)
    if result['success']:
        return result["data"]["result"]
    else:
        return result["message"]
    return ""


if __name__ == "__main__":
    img_path = "C:/Users/Administrator/Desktop/file.jpg"   #  图片路径位置
    img = Image.open('captcha.png')    # 图片名字
    result = base64_api(uname='123', pwd='123', img=img)  # uname 是用户名字    pwd 是用户登陆密码
    print(result)