当模拟登陆遇到验证码

前言

这两天在看相关于模拟登录的案例，不可避免的遇到了一些验证码相关的问题，在此之前一直使用的是将验证码下载到本地，然后人工肉眼识别的方式。但是效果可想而知，精确度倒是还可以，然而却变得不是很智能了。于是今天来学习一下如何自动识别验证码。

环境

我的实验环境为：

• Python3.6
• Pycharm2016.2 Professional
• Tesseract-OCR-3.0
• Windows 10 64位

在开始之前确保安装了tesseract引擎，然后是pytesseract这个第三方库。

如果没有安装其实也是可以使用的，那就是借助Python调用系统命令的方式来实现将验证码图片中的内容读入到文本文件，在通过代码读取文本文件得到验证码内容。 但是pytesseract使得这样的一个过程更加简便，所以没有安装的话还是建议安装一下。

pip install pytesseract

读取图片的时候需要PIL库的支持，没有安装的话还是建议先安装一下，否则程序无法进行下去的。

实施

简易示例

import pytesseract
from PIL import Image

image = Image.open(r'checkcode.gif', mode='r')
vcode = pytesseract.image_to_string(image)
print(vcode)

结果为：

之所以不在PyCharm中运行， 就是因为会出现一些让人不明所以的错误信息。比如什么

• FileNotFoundError
• Permission Denyed
• .TesseractError: (1, ‘Error opening data file \Software\tesseract\Tesseract-OCR\tessdata/eng.traineddata’)

我也查了相关的资料，发现确实没有什么好点的解决办法，或许可以通过修改pytesseract.py的源码来解决吧， 谁知道呢？

实战校园图书馆登录

# coding: utf8

# @Author: 郭 璞
# @File: DLUTLibraryLogin.py                                                                 
# @Time: 2017/4/7                                   
# @Contact: 1064319632@qq.com
# @blog: http://blog.csdn.net/marksinoberg
# @Description: 大连理工大学图书馆模拟登陆,添加了验证码识别脚本

import requests
import BeautifulSoup
import os, sys
import pytesseract
from PIL import Image


loginurl = 'http://opac.lib.dlut.edu.cn/reader/redr_verify.php'
captchaurl = 'http://opac.lib.dlut.edu.cn/reader/captcha.php'

headers = {
    'Referer': 'http://opac.lib.dlut.edu.cn/reader/login.php',
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.87 Safari/537.36",
}

session = requests.Session()
##### 获取到验证码并保存
checkcodecontent = session.get(captchaurl, headers=headers)
with open('checkcode.jpg', 'wb') as f:
    f.write(checkcodecontent.content)
    f.close()
print('验证码已写入到本地！', '下面开始调用tesseract-OCR引擎识别验证码！')

img = Image.open('checkcode.gif', mode='r')
result = pytesseract.image_to_string(image=img)
checkcode = result
print('验证码为：', checkcode)

# os.startfile('checkcode.jpg')
# checkcode = input('请输入验证码：')
##### 准备登陆图书馆系统
payload = {
    'number':'学号',
    'passwd':'密码',
    'captcha': checkcode,
    'select':'cert_no'
}

response = session.post(loginurl, headers=headers, data=payload)
print('服务器端返回码： ', response.status_code)
soup = BeautifulSoup(response.text, 'html.parser')
## 打印当前用户
username = soup.find('font', {'color': 'blue'})
print(username.get_text())
## 打印积分信息
jifen = soup.find_all('span', {'class': 'bigger-170'})[3]
jifen = str(jifen.get_text())
print('当前登录用户总积分：', jifen)

效果演示

恩，用户名那点确实出现了乱码，但是从积分那块我们也可以发现确实是登录成功了。相比于第一个版本，使用了pytesseract来处理验证码问题，还真的是比较方便的，最起码不用再手动输入了，这也算是一个进步吧。

最后，需要说明的是在Pycharm中不好用，还非得到CMD中去运行，真的是很无语。

总结

最后又发现一个问题那就是Python36对于Pillow4.1.0不能兼容，安装上去之后会出现各种各样的问题，比如：ImportError: DLL load failed: from . import _imaging as core

解决办法就是安装Pillow4.0.0，反正我是这么解决的了。

对于验证码问题，使用tesseract基本上已经满足需求了。但是很多时候还是不能正确的获取到真实的验证码内容。

而现在网上也有很多专门的服务，通过接口的形式在线处理验证码问题，精准度还是很不错的，有兴趣的话可以尝试一下。