背景
常见的网站反爬策略中,最常见的有:限制IP访问频率,识别请求身份信息,JavaScript动态渲染,以及添加验证码。
其中验证码的反爬对于爬虫来说是一个不小的阻碍,小白如我,大多都会一脸蒙蔽。今天主要介绍的是一个能够帮助我们突破验证码反爬的py第三方库tesserocr。
按着崔大大的书装第三方库,着实方便,不过大佬的思维对于小白来说有时候跟不上,所以会导致我们在安装的过程中出现一些小BUG,无法究其缘由。希望这篇笔记能对看到的朋友有一些帮助,少走一点弯路,也是方便日后忘记之时能够顺利回忆起安装过程。
安装环境
windows10,python3.6.4
介绍
OCR,即Optical Character Recognition,光学字符识别,是指通过扫描字符,然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说,它们都是一些不规则的字符,这些字符串确实是由字符稍加扭曲变换得到的内容。
tesserocr 是python的一个OCR识别库,但其实是对tesserocr做的一层Python API的封装,所以它的核心是tesseract.因此,在安装tesserocr之前,我们需要先安装tesseract。
tesserocr的安装
https://digi.bib.uni-mannheim.de/tesseract/ tesseract安装链接