爬虫学习笔记6-图片验证码处理

图片验证码处理

（1）图片验证码的处理方案

• 手动输入(input)
  这种方法仅限于登录一次就可持续使用的情况
• 图像识别引擎解析
  使用光学识别引擎处理图片中的数据，目前常用于图片数据提取，较少用于验证码处理
• 打码平台
  爬虫常用的验证码解决方案
  （2）图片识别引擎

• OCR（Optical Character Recognition）是指使用扫描仪或数码相机对文本资料进行扫描成图像文件，然后对图像文件进行分析处理，自动识别获取文字信息及版面信息的软件。
• tesseract
  • Tesseract，一款由HP实验室开发由Google维护的开源OCR引擎，特点是开源，免费，支持多语言，多平台。
  • 项目地址：https://github.com/tesseract-ocr/tesseract

1）图片识别引擎环境的安装
①引擎的安装

• mac环境下直接执行命令brew install --with-training-tools tesseract

• windows环境下的安装
  可以通过exe安装包安装，下载地址可以从GitHub项目中的wiki找到。安装完成后记得将Tesseract 执行文件的目录加入到PATH中，方便后续调用。

• linux环境下的安装sudo apt-get install tesseract-ocr

② Python库的安装

# PIL用于打开图片文件
pip/pip3 install pillow -i https://pypi.douban.com/simple/

# pytesseract模块用于从图片中解析数据
pip/pip3 install pytesseract -i https://pypi.douban.com/simple/

2）图片识别引擎的使用
通过pytesseract模块的 image_to_string 方法就能将打开的图片文件中的数据提取成字符串数据

from PIL import Image
import pytesseract

im = Image.open('test.jpg')

result = pytesseract.image_to_string(im)

print(result)

3）图片识别引擎的使用扩展

• tesseract简单使用与训练
• 其他ocr平台
  微软Azure 图像识别：https://azure.microsoft.com/zh-cn/services/cognitive-services/computer-vision/
  有道智云文字识别：http://aidemo.youdao.com/ocrdemo
  阿里云图文识别：https://www.aliyun.com/product/cdi/
  腾讯OCR文字识别：https://cloud.tencent.com/product/ocr

（2）打码平台
1）作用：解决验证码识别
2）常见的打码平台：超级鹰

（3）常见的验证码的种类
1）url地址不变，验证码不变
这是验证码里面非常简单的一种类型，对应的只需要获取验证码的地址，然后请求，通过打码平台识别即可

2） url地址不变，验证码变化
这种验证码的类型是更加常见的一种类型，对于这种验证码，需要思考：

• 在登录的过程中，假设我输入的验证码是对的，对方服务器是如何判断当前我输入的验证码是显示在我屏幕上的验证码，而不是其他的验证码呢？
• 在获取网页的时候，请求验证码，以及提交验证码的时候，对方服务器肯定通过了某种手段验证我之前获取的验证码和最后提交的验证码是同一个验证码，那这个手段是什么手段呢？

解决思路：通过cookie来实现的，所以对应的，在请求页面，请求验证码，提交验证码的到时候需要保证cookie的一致性，对此可以requests.session来解决