Python 爬验证码

主要实现功能：
- 登陆网页
- 动态等待网页加载
- 验证码下载

很早就有一个想法，就是自动按照脚本执行一个功能，节省大量的人力——个人比较懒。花了几天写了写，本着想完成验证码的识别，从根本上解决问题，只是难度太高，识别的准确率又太低，计划再次告一段落。
希望这次经历可以与大家进行分享和交流。

注：代码中的 用户名和密码都是无效的！

---

Python打开浏览器

相比与自带的urllib2模块，操作比较麻烦，针对于一部分网页还需要对cookie进行保存，很不方便。于是，我这里使用的是Python2.7下的selenium模块进行网页上的操作。

测试网页：http://graduate.buct.edu.cn

---

打开网页：（需下载chromedriver）
为了支持中文字符输出，我们需要调用sys模块，把默认编码改为 UTF-8

from selenium.webdriver.support.ui import Select, WebDriverWait
from selenium import webdriver
from selenium import common
from PIL import Image
import pytesser
import sys

reload(sys)
sys.setdefaultencoding('utf8')

broswer = webdriver.Chrome()
broswer.maximize_window()

username = 'test'
password = 'test'
url = 'http://graduate.buct.edu.cn'
broswer.get(url)

---

等待网页加载完毕

使用的是selenium中的WebDriverWait，上面的代码中已经加载

url = 'http://graduate.buct.edu.cn'
broswer.get(url)
wait = WebDriverWait(webdriver,5) #设置超时时间5s
# 在这里输入表单填写并加载的代码

elm = wait.until(lambda webdriver: broswer.find_element_by_xpath(xpathMenuCheck))

---

元素定位、字符输入

接下来我们需要进行登录操作：这里我使用的是Chrome，右键选择需要进行填写内容的部分，选择检查，会自动转跳到 F12下的开发者模式（全程需要这个功能来找到相关的资源）。

下面的UserRole部分就是和“教师端”选择有关的部分

这里我们看到有一个value = “1”，考虑到下拉框的属性，我们只要想办法把这个value赋值给UserRole就好了。
这里使用的是通过selenium的Select模块来进行选择，定位控件使用 find_element_by_**，能一一对应，很方便。

select = Select(broswer.find_element_by_id('UserRole'))
select.select_by_value('2')
name = broswer.find_element_by_id('username')
name.send_keys(username)
pswd = broswer.find_element_by_id('password')
pswd.send_keys(password)
btnlg = broswer.find_element_by_id('btnLogin')
btnlg.click()

---

这是用脚本自动填充完的效果，之后就会转跳到下一页。

---

这里，我需要的是功能是自动对学术报告进行报名

对需要已有的报告右键即可发现和这个活动有关的消息，因现在没有报告，所以只显示了标题，但对于后面的有效报告识别有相似的地方。

对于元素的定位，我优先选择了 xpath，根据测试，可以唯一定位一个元素的位置，很好用。

//*[@id="dgData00"]/tbody/tr/td[2]  （前面是xpath）

---

爬取信息

接下来我们要进行的步骤是爬取现有的有效报告：

# 寻找有效报告
flag = 1
count = 2
count_valid = 0
while flag:
    try:
        category = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(count) + ']/td[1]').text
        count += 1
    except common.exceptions.NoSuchElementException:
        break

# 获取报告信息
flag = 1
for currentLecture in range(2, count):
    # 类别
    category = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(currentLecture) + ']/td[1]').text
    # 名称
    name = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(currentLecture) + ']/td[2]').text
    # 单位
    unitsPublish = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(currentLecture) + ']/td[3]').text
    # 开始时间
    startTime = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(currentLecture) + ']/td[4]').text
    # 截止时间
    endTime = broswer.find_element_by_xpath('//*[@id="dgData00"]/tbody/tr[' + str(currentLecture) + ']/td[5]').text

---

爬取验证码

对网页中的验证码进行元素审查后，我们发现了其中的一个一个链接，是 IdentifyingCode.apsx，后面我们就对这个页面进行加载，并批量获取验证码。

爬取的思路是用selenium截取当前页面（仅显示部分），并保存到本地——需要翻页并截取特定位置的请研究：broswer.set_window_position(**)相关函数；然后人工进行验证码的定位，通过PIL模块进行截取并保存。
最后调用谷歌在Python下的pytesser进行字符识别，但这个网站的验证码有很多的干扰，外加字符旋转，仅仅能识别其中的一部分字符。

# 获取验证码并验证（仅仅一幅）
authCodeURL = broswer.find_element_by_xpath('//*[@id="Table2"]/tbody/tr[2]/td/p/img').get_attribute('src')  # 获取验证码地址
broswer.get(authCodeURL)
broswer.save_screenshot('text.png')
rangle = (0, 0, 64, 28)
i = Image.open('text.png')
frame4 = i.crop(rangle)
frame4.save('authcode.png')
qq = Image.open('authcode.png')
text = pytesser.image_to_string(qq).strip()

# 批量获取验证码
authCodeURL = broswer.find_element_by_xpath('//*[@id="Table2"]/tbody/tr[2]/td/p/img').get_attribute('src')  # 获取验证码地址
# 获取学习样本
for count in range(10):
    broswer.get(authCodeURL)
    broswer.save_screenshot('text.png')
    rangle = (1, 1, 62, 27)
    i = Image.open('text.png')
    frame4 = i.crop(rangle)
    frame4.save('authcode' + str(count) + '.png')
    print 'count:' + str(count)
    broswer.refresh()
broswer.quit()

一部分验证码原图：

从上面的验证码看出，字符是带旋转的，而且因为旋转造成的重叠对于后续的识别也有很大的影响。我曾尝试过使用神经网络进行训练，但因没有进行特征向量的提取，准确率低得离谱。

---

这个是一位作者实践后的心得：
http://www.cnblogs.com/sweetwxh/p/captcha_recognize.html

看了之后我变得清醒，决定不再继续识别验证码了，但这个经验很有用，以后就可以拿来爬各种数据了