这里是DeepThinkerr的博客,希望该博客可以对您有帮助。后续会在爬虫系列的专栏分享更多的爬虫博客和小项目,希望可以和大家共同进步。此次博客的代码会分享到我的微信公众号:DeepThinkerr(注意两个r哦),回复1即可获取普通图形验证码(百度OCR)的代码(会有详细注释),此次博客也会在公众号分享。
前提准备
Python库requests==2.24.0
base64百度OCR
1、创建文本识别应用:https://ai.baidu.com/forum/topic/show/867951
(这里只用参考“获取接口权限”这一部分即可)
2、获取access_token https://cloud.baidu.com/doc/OCR/s/Ck3h7y2ia (后续会介绍)
1.1 获取验证码图片
验证码图片数据集:https://captcha.com/captcha-examples.html?cst=corg
该网站包含大量验证码图片,需要进行爬取,通过图片链接下载图片。首先分析该网页的html,定位到图片的html位置。
可以发现验证码图片在class="captcha_images_left"和class="captcha_images_right"两个部分,其中名字在h3,图片链接在img的src。爬取代码如下所示。
import requests
import os
import time
from lxml import etree
# 1. 获取网页
url = "https://captcha.com/captcha-examples.html?cst=corg"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36"}
response = requests.get(url, headers)
if response