python selenium 验证码识别_（值得收藏）Python爬虫过程中验证码识别的三种解决方案

前言

在Python爬虫过程中，有些网站需要验证码通过后方可进入网页，目的很简单，就是区分是人阅读访问还是机器爬虫。验证码问题看似简单，想做到准确率很高，也是一件不容易的事情。为了更好学习爬虫，后续推文中将会更多介绍爬虫问题的解决方案。本篇推文将分享三种解决验证码的方法，如果你有比较好的方案，欢迎留言区讨论交流，共同进步。另外小编也给大家准备了一些爬虫的学习资料，免费分享，在最下面！

1.pytesseract

很多人学习python，不知道从何学起。很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。很多已经做案例的人，却不知道如何去学习更加高深的知识。那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！QQ群：1097524789

pytesseract是google做的ocr库，可以识别图片中的文字，一般用在爬虫登录时验证码的识别，在安装pytesseract环境过程中会遇到各种坑的事情，如果你需要安装，可以按照如下流程去做，避免踩坑。下面以 mac为例。

1.安装方法

pip install pytesseract

2.此外，还需安装Tesseract，它是一个开源的OCR引擎，能识别100多种语言。

brew install tesseract

3.查看安装位置为

brew list tesseract/usr/local/Cellar/tesseract/4.1.1/bin/tesseract/usr/local/Cellar/tesseract/4.1.1/include/tesseract/ (19 files)/usr/local/Cellar/tesseract/4.1.1/lib/libtesseract.4.dylib/usr/local/Cellar/tesseract/4.1.1/lib/pkgconfig/tesseract.pc/usr/local/Cellar/tesseract/4.1.1/lib/ (2 other files)/usr/local/Cellar/tesseract/4.1.1/share/tessdata/ (35 files)

4.配置环境变量

export TESSDATA_PREFIX=/usr/local/Cellar/tesseract/4.1.1/share/tessdataexport PATH=$PATH:$TESSDATA_PREFIX

5.如何出现如下报错

'TesseractNotFoundError: tesseract is not installed or it's not in your PATH'

6.修改pytesseract.py的cmd

'tesseract_cmd = '/usr/local/Cellar/tesseract/4.1.1/bin/tesseract''

先验证一个简单的验证码

代码如下

from PIL import Image,ImageFilterimport pytesseractpath ='/Users/****/***.jpg'captcha = Image.open(path)result = pytesseract.image_to_string(captcha)print(result)

结果输出

51188

再换一张试一下

​

输入代码后，结果错误输出为

1364

由此看出，pytesseract对于简单方法有效，并不像有些人写的这么好，当然可以通过灰度、二值等方法，效果并不是很理想，稍微复杂的需要寻找其他解决方案，如果解决上述问题呢，我们看下面的解决方案。

2.百度OCR接口

调用百度OCR接口(代码示例)

# encoding:utf-8import requestsimport base64'''通用文字识别(高精度版)'''request_url = "https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic"# 二进制方式打开图片文件f = open('[本地文件]', 'rb')img = base64.b64encode(f.read())params = {"image":img}access_token = '[调用鉴权接口获取的token]'request_url = request_url + "?access_token=" + access_tokenheaders = {'content-type': 'application/x-www-form-urlencoded'}response = requests.post(request_url, data=params, headers=headers)if response:    print (response.json())

上述方案没解决的问题，调用此方法试一下，可以顺利解决。

7364

那么对于更复杂的验证码呢？

​

首先直接调用结果输出

Ygax6-

结果把干扰线识别出来Y和-，可以看出百度OCR接口对复杂验证码能识别，但是对干扰线的问题，无法解决。如何解决上述问题呢？对于复杂的验证码，我们是不能直接调用，我们先做一些预处理：灰度、二值化等。

​

再次调用接口

gax6

上述问题得到了解决。对于超级变态的验证码如何解决呢？几个0？几个O？下面提供一种深度学习解决方案。

​

3.深度学习

深度学习验证码识别可能并不适合所有人，原因很简单，首先不是每个人都有算法基础。其次小编亲自测试来一下，cpu资源的消耗也非常高，如果你有云端资源可以跑一下。深度学习的验证码识别，我这边介绍一下解决方案的思路，目前企业级的验证识别更为复杂。

1.搭建基于keras框架的深度学习模型

from keras.models import *from keras.layers import *input_tensor = Input((height, width, 3))x = input_tensorfor i in range(4):    x = Convolution2D(32*2**i, 3, 3, activation='relu')(x)    x = Convolution2D(32*2**i, 3, 3, activation='relu')(x)    x = MaxPooling2D((2, 2))(x)x = Flatten()(x)x = Dropout(0.25)(x)x = [Dense(n_class, activation='softmax', name='c%d'%(i+1))(x) for i in range(4)]model = Model(input=input_tensor, output=x)model.compile(loss='categorical_crossentropy',              optimizer='adadelta',              metrics=['accuracy'])

2.模型训练

model.fit_generator(gen(), samples_per_epoch=51200, nb_epoch=5,                     nb_worker=2, pickle_safe=True,                     validation_data=gen(), nb_val_samples=1280)

3.测试模型

X, y = next(gen(1))y_pred = model.predict(X)plt.title('real: %spred:%s'%(decode(y), decode(y_pred)))plt.imshow(X[0], cmap='gray')

4.结果展示

结论

验证码识别问题正如推文开头所说，看似简单，实际上远比想象的要复杂的多。有些解决方案也可能是针对性解决方案。目前想做一个普适性的解决方案任重而道远。遇到困难不可怕，可以一起讨论交流，下面是爬虫的学习资料。希望能够帮到大家！

值得拥有的学习资料

汇总图

六大技术文档

Python爬虫视频(部分展示)

Python学习资料

文章结束喽，记得关注小编，转发，收藏奥。以上的学习资料小编就不一一展示了，第一张汇总图的资料都有，也是一部分，需要的小伙伴私信“学习”即可获得获取方式，免费获取！