Python（爬虫篇）--- 验证码破解【一】图片、文字验证码

---

一、图片验证码概述

（一）机器视觉

从 Google 的无人驾驶汽车到可以识别假钞的自动售卖机，机器视觉一直都是一个应用广泛且具有深远的影响和雄伟的愿景的领域。

我们将重点介绍机器视觉的一个分支：文字识别，介绍如何用一些Python库来识别和 使用在线图片中的文字。

我们可以很轻松的阅读图片里的文字，但是机器阅读这些图片就会非常困难，利用这种人类用户可以正常读取但是大多数机器人都没法读取的图片，验证码(CAPTCHA)就出现了。 验证码读取的难易程度也大不相同，有些验证码比其他的更加难读。

将图像翻译成文字一般被称为光学文字识别(Optical Character Recognition，OCR)。可以实现 OCR 的底层库并不多，目前很多库都是使用共同的几个底层 OCR 库，或者是在上面 进行定制。

（二）OCR库概述

在读取和处理图像、图像相关的机器学习以及创建图像等任务中，Python一直都是非常出色的语言。虽然有很多库可以进行图像处理，在这里我们简单介绍下：Tesseract

（1）Tesseract 简介

我们知道 Google 是一家以 OCR 和机器学习技术闻名于世的公司，Tesseract 这个 OCR 库就是由 Google 赞助的。

（2）Tesseract 缺点

用 Tesseract 读取硬盘里图片上的文字，可能不怎么令人兴奋，但当我们把它和网络爬 虫组合使用时，就能成为一个强大的工具。

但是网站上的图片可能并不会像我们普通的图片那样，看的很明显，简洁明了，对于这种图片，我们使用 Tesseract 处理图片就显得心有余而力不足了。也就是说，Tesseract 只适 合处理简单的图片，往往我们在做爬虫时，图片验证码的图片并不会很容易就被识别出来， 所以，Tesseract 的使用是会受到限制的。

鉴于 Tesseract 存在限制，我们可以使用 Selenium 手动输入验证码。

---

下面我们介绍两种破解简单验证码的方法，借助于实例来更好的说明。本文使用国家税务局发票验证时产生的验证码为例。

二、方式一：Selenium手动打码

手动打码意思就是人工输入验证码进行验证

注意：不使用谷歌浏览器，谷歌需要安装证书，所以使用IE浏览器

1. 安装IE浏览器，安装ie的驱动，配置ie浏览器：https://www.cnblogs.com/misswjr/p/9453566.html
2. 安装根证书，手动安装：https://inv-veri.chinatax.gov.cn/

# 1. 导入webdriver
from selenium import webdriver

# 2. 调用IE浏览器
driver = webdriver.Ie(executable_path=r'D:\IEDriverServer_x64_2.48.0\IEDriverServer.exe')

driver.maximize_window()

# 3. 请求
driver.get(url='https://inv-veri.chinatax.gov.cn/')

# 查找并输入发票代码
driver.find_element_by_id('fpdm').send_keys('033001700211')

# 查找并输入发票号码
driver.find_element_by_id('fphm').send_keys('56894556')

# 查找并输入开票日期
driver.find_element_by_id('kprq').send_keys('20180108')

# 查找并输入校验码
driver.find_element_by_id('kjje').send_keys('005323')

手动输入验证码并验证

# 输入验证码
yzm = input('请输入验证码：')

driver.find_element_by_id('yzm').send_keys(yzm)

# 找到并点击查验
driver.find_element_by_id('checkfp').click()

三、方式二：使用三方打码平台

（一）简介

验证打码是一种区别用户是计算机还是人的公共全自动程序。这个问题可以由计算机生成并评判，但是必须只有人类才能解答。打码工作的原理即协助通过图灵测试。自动软件能 模拟所有的网络操作，但不能完成图灵测试。这时候，自动软件将验证码图像输送到客户端， 并等待输入。打码人通过识别验证码图像，输入正确的验证码，从而帮助自动软件完成操作。 为了限制自动软件，验证码加密技术又进一个台阶，开发出即使是人类本身也较难以辨认的 验证码。这也是为何普通用户在体验网络的时候，有时要输入一些难以辨认的验证码的起因。
打码平台有很多：斐斐打码、云打码、超级鹰等。每一个打码平台都差不多，都是发送请求到指定端口，等待返回数据即可。本文主要介绍超级鹰打码平台。

（二）超级鹰

网址：http://www.chaojiying.com/
使用：查看开发文档 --> 选择 Python 语言 --> 左侧选择跨平台 HTTP 标准WEB 接口
从开发文档中，我们可以很容易的找到：接口地址、请求方式、参数设置等信息。

请求方式：POST

接口网址：http://upload.chaojiying.net/Upload/Processing.php

参数：
user=用户账号
pass=用户密码 //或 pass2=用户密码的md5值(32位小写)
softid=软件ID 在用户中心，软件ID处可以生成
codetype=验证码类型 在价格体系中选用一个适合的类型 点击这里进入
len_min=最小位数 //默认0为不启用,图片类型为可变位长时可启用这个参数

以下两个参数选其一 ：（图片文件的宽推荐不超过460px,高不超过310px）

userfile=图片文件二进制流(或是称之为内存流,文件流,字节流的概念)
file_base64=图片文件base64字符串

使用代码：

import requests,base64
# 读取文件
fp = open('CheckCode.png','rb')  # 验证码图片文件
image = base64.b64encode(fp.read())
fp.close()
post_url = 'http://upload.chaojiying.net/Upload/Processing.php'

# 定义参数字典
data = {
    'user':'Zzzp123456',
    'pass':'zp7512799',
    'softid':'4be272df806cd393a5c1b59e48f1a076',
    'codetype':'1902',
    'file_base64':image
}

response = requests.post(url=post_url,data=data)
print(response.json()['pic_str'])