python 识别登陆验证码图片(完整代码)_python带图片验证码的登录自动化实战

原标题：python带图片验证码的登录自动化实战

近期在跟进新项目的时候，整体的业务线非常之长，会一直重复登录退出不同账号的这个流程，所以想从登录开始实现部分的自动化。因为是B/S的架构，所以采用的是selenium的框架来实现。大致实现步骤如下：

1.环境准备

2.验证码爬取

3.识别方案选择

4.图像处理和识别

5.自动化实现

一、环境准备

系统：macOS

软件：Pycharm

语言：Python 2.7

浏览器：Chrome 70.0.35

依赖库：selenium 3.141、xlrd 1.1、aip 1.0.0.5、pytesser、pytesseract 0.2.5、opencv-python 3.4.3、urllib3 1.24.1、Pillow-PIL 0.1

驱动安装与配置环境：

①下载chromedriver:http://chromedriver.storage.googleapis.com/index.html（需代理）、http://npm.taobao.org/mirrors/chromedriver/（无需代理）

②具体浏览器与驱动版本映射表可参考 https://blog.csdn.net/huilan_same/article/details/51896672

③解压后放置在 /urs/bin/目录下

④加入环境变量：export PATH=$PATH:/usr/local/bin/ChromeDriver

二、验证码爬取

对于验证码而言，目前各式网站出现的验证码类型基本有：图形验证码（数字、计算题、中文、英文、问答题）、滑块验证码、语音验证码、图片验证码（正倒序、同类型)。自身项目的验证码为数字+英文图形验证码，针对这一块的内容，首先我们先来爬取一些验证码到指定文件夹中，来着重分析一下特点，代码如下：

大致讲解一下上面出现的一些函数用法和实现过程中存在的问题。

1.使用classname定位，运行时报错

A：一般来说，使用classname来定位还是比较精准的，但是此项目的classname包含了多个tag，如上述的登录按钮class='ant-btn logining-btn ant-btn-primary ant-btn-lg ant-btn-background-ghost'，这时候使用 find_elements_by_class_name方法定位，会无法定位并报错。所以需要使用find_elements_by_css_selector，大家可以根据各自项目来选择方法。

2.urllib.urlretrieve(src,local)

urllib模块提供的urlretrieve()函数，urlretrieve()方法直接将远程数据下载到本地，传入下载的链接。

3.命令行获取参数

为了指定我们想要下载的验证码数量，要在源程序里面修改吗？不用。sys.argv[]是一个从程序外部获取参数的桥梁，所获得的是一个列表（list)，文中的sys.argv[1]则是代表获取列表中的下标为1的内容，在终端我们运行的方法是：python catch_code.py 10 ，这样sys.argv[1]取到的的值则为10,num的值亦为10，循环10次下载验证码。

三、识别方案选择

上节中爬取下来了100张验证码，如下图：

基本特性是：横向排列、数字与英文字母组合、字母间粘连占比约30%、背景干扰较少。阅读已有的一些ocr识别技术，基本有以下三个方向：

① pytesser

② pytesseract

③ 百度文字识别 AipOcr

为了对比这三者识别技术的识别率，对应实现来展示效果，所以样本选择为0.png、4.png、11.png（字母粘连、纯字母、字母+数字）

pytesser：谷歌OCR开源项目的一个模块，在python中导入这个模块即可将图片中的文字转换成文本。pytesser下载链接：http://code.google.com/p/pytesser/ ，实现代码如下：

image_file_to_string()函数可以实现简单的英文字母识别，如果图像是不相容的，会先转换成兼容的格式，然后再提取图片中的文本信息。

image_to_string()函数亦可实现英文字母识别，读取图片时，将内存中的图像文件保存为bmp，再使用tesseract处理。

执行结果如下：

顺序识别0,4,11图片后均无法识别结果，识别概率为0%

pytesseract:Google的Tesseract-OCR引擎包装器

顺序识别0,4,11图片后均无法识别结果，识别概率为0%

AipOcr：一款百度提供的OCR识别服务，支持多种图片格式，接口免费调用50000次/日，具体请参考官方文档：https://ai.baidu.com/docs#/OCR-API/top ，在实现之前，我们需要创建一款产品，来获得AppID、API Key、Secret Key的值。如下图：

获取到以上三个参数后，继续上代码：

顺序识别0,4,11图片后,图片11识别出了一半,提取到了"2F"，概率为16%

四、图像处理和识别

在上节看来，未经过处理的图片进行识别，识别概率都非常之低。所以我们换一个角度来思考，通过对图片进行一些处理，使得特征更加明显，再通过上述的三种识别库来识别，提高识别的概率。步骤大致如下：1）灰度二值化 2）线降噪 3）开运算

1）灰度二值化

处理的图像如下：

2）线降噪

处理的图像如下：

3)闭运算

处理的图像如下：

图像处理到现在基本上我们已经将已有的背景干扰及色彩去除完毕，接下来我们针对这些处理的图像进行三种识别方案的识别，识别结果如下表：

我们来分析一下这个表，在最开始的二值化，AipOcr至少识别出来了一些内容。纵观三种图像处理后的识别效果，明显闭运算已经能识别出大致的内容了，图片4.png三种识别方式都是可以识别出来，对于0.png这种粘连字母，识别效果基本为0%，而11.png“j”的底部表现不出来，所以识别不出来，但后面的内容亦识别成功。所以我们可以总结三点：①识别方式精准度 ：AipOcr>pytesser>pytesseract。 ②处理后效果：闭运算>线降噪>二值化。③粘连性、带噪点图片识别效果非常差（当前准确值是基于我选取的样本集）。

五、自动化实现

从上节的处理和识别中的总结内容中，本项目我们选择将AipOcr作为识别，若识别结果不正确（如粘连、噪点过多、部分裁剪图片），将获取新的验证码，以此类推。将上述部分代码封装，方便调用，最终完整代码请参考原文链接(https://www.cnblogs.com/fightccc/p/9995387.html)里第五部分。

对于粘连性及部分被切割的验证码，还需要再研究一番~

另，因为验证码识别率还不能达到100%，且后期可能因为版本迭代的原因，更换不同方式的验证码类型，所以这里只是提供一个图像预处理思路给到大家，实现登录自动化还有其他方式，如白名单控制、关闭验证码校验等。返回搜狐，查看更多

责任编辑：