爬虫之验证码处理

验证码处理

一、 字符验证码

通过某个程序，计算机产生一个字符串，一般四位，包含数字、字母、中文

1、 难点

1. 噪点
2. 干扰线
3. 重叠
4. 颜色
5. 变形

经过这么一些的操作之后，程序会生成一张图片，而我们要做的就是输入和图片里面的文本信息一致，才算通过校验

2、 图像处理

在数字世界中，有色彩模式这一算法，来表示各种颜色

比较常见的有RGB模式，HSL模式等

基础知识

1. RGB通道

   一张彩色图片，包含着R、G、B三个通道，每一个通道用(0, 255)来表示，越接近0，表示该通道的色彩越淡

2. 像素

   像素是图形单元的 简称，它是位图最小的完整单位。像素具有两种属性：一种是相对于位图图像中的其他像素来说，一个像素具有一个特定的位置；另一种是具有可以用位来度量的颜色深度

3. 图像分辨率

   图像分辨率通常是指每英寸中像素的个数，用ppi表示。图像分辨率取决于显示图像的大小。分辨率与图像清晰程度成正比。分辨率越高，图像越清晰，当然产生的图形图像文件越大，在图形处理是所需计算机的内存较多，同时CPU处理的时间也就越长

使用PIllow库进行图像处理

3、 实例代码

识别古诗文网的图形验证码：https://so.gushiwen.cn/RandCode.ashx

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
# @author: A.L.Kun
# @file : demo01.py
# @time : 2022/4/25 15:22
from requests import get
from PIL import Image
import pytesser3  # 注意，要安装tesseract
from io import BytesIO  # 内存IO，将数据写入到内存中去，不会产生文件

img_url = "https://so.gushiwen.cn/RandCode.ashx"  # 生成验证码的网址
img_data = BytesIO(get(img_url).content)  # 里面传入二进制数据
img = Image.open(img_data)  # 打开验证码图片
img = img.convert("L")  # 将图片转换为灰度图
# 获取阈值阈值可以通过数组来获取，这里默认方便，默认阈值为175
avg = 175
# 二值化处理
w, h = img.size  # 获取图片的大小
pixes = img.load()  # 获取照片的像素
for x in range(w):
    for y in range(h):
        if pixes[x, y] < avg:
            pixes[x, y] = 0
        else:
            pixes[x, y] = 255
# 去除噪点
for x in range(1, w - 1):
    for y in range(1, h - 1):
        count = 0  # 统计周边摆设像素的个数
        if pixes[x, y - 1] > 245:  # 如果上面的像素的颜色为白色
            count += 1
        if pixes[x, y + 1] > 245:  # 如果下面的像素的颜色白色
            count += 1
        if pixes[x - 1, y] > 245:  # 如果左边的像素的颜色为白色
            count += 1
        if pixes[x + 1, y] > 245:  # 如果右边的像素的颜色为白色
            count += 1
        if pixes[x - 1, y - 1] > 245:  # 如果左上面的像素的颜色为白色
            count += 1
        if pixes[x -