java 爬中 验证码识别_爬虫遇到头疼的验证码？Python实战讲解弹窗处理和验证码识别...

点击上方“早起Python”，关注并“星标”

每日接收Python干货！

本文含

3321

字，

9

代码片段

建议阅读

8

分钟

前言

在我们写爬虫的过程中，目标网站常见的干扰手段就是设置验证码等，本就将基于Selenium实战讲解如何处理弹窗和验证码，爬取的目标网站为某仪器预约平台

可以看到登录所需的验证码构成比较简单，是彩色的标准数字配合简单的背景干扰

因此这里的验证码识别不需要借助人工智能的手段，可直接利用二值法对图片处理后交给谷歌的识别引擎tesseract-OCR即可获得图中的数字。

注：selenium和tesseract的配置读者可自行搜索，本文不做介绍)

Python实战

首先导入所需模块

import re

# 图片处理

from PIL import Image

# 文字识别

import pytesseract

# 浏览器自动化

from selenium import webdriver

import time

解决弹出框问题

先尝试打开示例网站

url = 'http://lims.gzzoc.com/client'

driver = webdriver.Chrome()

driver.get(url)

time.sleep(30)

有趣的地方出现了，网站显示了一个我们前面没有看到的弹窗，简单说一下弹窗的知识点，初学者可以将弹出框简单分为alert和非alert

alert式弹出框

alert(message)方法用于显示带有一条指定消息和一个 OK 按钮的警告框

confirm(message)方法用于显示一个带有指定消息和 OK 及取消按钮的对话框

prompt(text,defaultText)方法用于显示可提示用户进行输入的对话框

看一下这个弹出框的js是怎么写的：

看起来似乎是alert式弹出框，那么直接用driver.switch_to.alert吗？先不急

非传统alert式弹出框的处理

弹出框位于

div层，跟平常定位方法一样

弹出框是嵌套的

iframe层，需要切换iframe

弹出框位于嵌套的

handle，需要切换窗口

所以我们对这个弹出框进行元素审查

所以问题实际上很简单，直接定位按钮并点击即可

url = 'http://lims.gzzoc.com/client'

driver = webdriver.Chrome()

driver.get(url)

time.sleep(1)

driver.maximize_window() # 最大化窗口

driver.find_element_by_xpath("//div[@class='jconfirm-buttons']/button").click()

获取图片位置并截图

二值法处理验证码的简单思路如下：

切割截取验证码所在的图片

转为灰度后二值法将有效信息转为黑，背景和干扰转为白色

处理后的图片交给文字识别引擎

输入返回的结果并提交

切割截取验证码的图片进一步思考解决策略：首先获取网页上图片的css属性，根据size和location算出图片的坐标；然后截屏；最后用这个坐标进一步去处理截屏即可(由于验证码js的特殊性，不能简单获取img的href后下载图片后读取识别，会导致前后不匹配)

img = driver.find_element_by_xpath('//img[@id="valiCode"]')

time.sleep(1)

location = img.location

size = img.size

# left = location['x']

# top = location['y']

# right = left + size['width']

# bottom = top + size['height']

left = 2 * location['x']

top = 2 * location['y']

right = left + 2 * size['width'] - 10

bottom = top + 2 * size['height'] - 10

driver.save_screenshot('valicode.png')

page_snap_obj = Image.open('valicode.png')

image_obj = page_snap_obj.crop((left, top, right, bottom))

image_obj.show()

正常情况下直接使用注释的四行代码即可，但不同的电脑不同的浏览器，缩放倍率存在差异，因此如果截取出的图存在偏差这需要考虑乘上倍率系数。最后可以再加减数值进行微调

可以看到图片这成功截取出来了！

验证码图片的进一步处理

这个阈值需要具体用Photoshop或者其他工具尝试，即找到一个像素阈值能够将灰度图片中真实数据和背景干扰分开，本例经测试阈值为205

img = image_obj.convert("L")  # 转灰度图

pixdata = img.load()

w, h = img.size

threshold = 205

# 遍历所有像素，大于阈值的为黑色

for y in range(h):

for x in range(w):

if pixdata[x, y] 

pixdata[x, y] = 0

else:

pixdata[x, y] = 255

根据像素二值结果重新生成图片

data = img.getdata()

w, h = img.size

black_point = 0

for x in range(1, w - 1):

for y in range(1, h - 1):

mid_pixel = data[w * y + x]

if mid_pixel 

top_pixel = data[w * (y - 1) + x]

left_pixel = data[w * y + (x - 1)]

down_pixel = data[w * (y + 1) + x]

right_pixel = data[w * y + (x + 1)]

if top_pixel 

black_point += 1

if left_pixel 

black_point += 1

if down_pixel 

black_point += 1

if right_pixel 

black_point += 1

if black_point 

img.putpixel((x, y), 255)

black_point = 0

img.show()

图像处理前后对比如下

文字识别

将处理后的图片就给谷歌的文字识别引擎就能完成识别

result = pytesseract.image_to_string(img)

# 可能存在异常符号，用正则提取其中的数字

regex = '\d+'

result = ''.join(re.findall(regex, result))

print(result)

识别结果如下

提交账号密码、验证码等信息

在处理完验证码之后，现在我们就可以向网站提交账号密码、验证码等登陆所需信息

driver.find_element_by_name('code').send_keys(result)

driver.find_element_by_name('userName').send_keys('xxx')

driver.find_element_by_name('password').send_keys('xxx')

# 最后点击确定

driver.find_element_by_xpath("//div[@class='form-group login-input'][3]").click()

需要注意的是，二值法识别验证码成功率不是100%，因此需要考虑到验证码识别错误，需要单击图片更换验证码重新识别，可以将上述代码拆解成多个函数后，用如下循环框架试错

while True:

try:

...

break

except:

driver.find_element_by_id('valiCode').click()

为了方便理解，代码的书写没有以函数形式呈现，欢迎读者自行尝试修改！

小结

成功登录后就可以获得个人的cookies，接下来可以继续用selenium进行浏览器自动化或者把cookies传给requests，后面就能爬取需要的信息做分析或者实现一些自动化功能，但由于涉及到的爬虫知识点比较多，我们会在后续的爬虫专题文章中进行分享！

往期精选

(👇

猛戳可查看

)