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

b6f0b8950361421f9b2e3d75ef745581

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?

47b46eed68fe446996746f0f3d368f85

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。

be6332ae1a9544e1932cfec86534b1e4

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。

b96a0a7472de4546ab8c8cc5db01262a

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

d3292e0f135d40e2829b5eb86c288a5b

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

22a59e7be4db4d7288bbb4f5d6fdfaa4

六大技术文档

766a5af1f52e48c19a6963bf5126e40e

Python爬虫视频(部分展示)

505f119d317c4399b9779f1b85b3db4c

Python学习资料

9229202c0c9140d2b29ac2dd9fa87883

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!

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值