爬虫学习笔记（第四章）验证码识别

---

前言

     2021.07.29第四章似乎不是很多，后面几章好像也不多。

---

第四章

验证码识别

验证码和爬虫之间的关系

• 反爬机制：验证码。识别验证码图片中的数据，用于模拟登陆操作。
• 识别验证码的操作：
  • 人工肉眼识别。（不推荐）
  • 第三方自动识别。（推荐）
    • 云打码（http://www.yundama.com/demo.html 支持的类型最全）
      （教程里显示要花钱，一次识别花几分钱，咱学的时候url已经失效了）
      （现在我找到的可以使用的是超级鹰）
• 云打码的使用流程：（看着玩就行了，个人认为选学内容，因为网站已经进不去了，但是可以做个参考，大体的操作流程都差不多）
  • 1.注册：普通和开发者用户（两个都要注册）
  • 2.登录：
    • 普通用户的登录：查询该用户是否还有剩余的题分
    • 开发者用户登录：
      • 创建一个软件：
      • 下载示例代码：

备注：如果使用超级鹰的话暂时不用充钱，先关注公众号然后再绑定微信就能获得1000题分，标准的4位英文数字验证码识别成功只花费10题分，1000题分用来练练手已经足够了。

实战：识别古诗文网登录页面中的验证码。

• 使用打码平台识别验证码的编码流程：
  • 将验证码图片进行本地下载
  • 调用平台提供的示例代码进行图片数据识别

练习代码如下：

import requests
from lxml import html
etree = html.etree

from hashlib import md5
class Chaojiying_Client(object):

    def __init__(self, username, password, soft_id):
        self.username = username
        password = password.encode('utf8')
        self.password = md5(password).hexdigest()
        self.soft_id = soft_id
        self.base_params = {
            'user': self.username,
            'pass2': self.password,
            'softid': self.soft_id,
        }
        self.headers = {
            'Connection': 'Keep-Alive',
            'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
        }

    def PostPic(self, im, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            'codetype': codetype,
        }
        params.update(self.base_params)
        files = {'userfile': ('ccc.jpg', im)}
        r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files, headers=self.headers)
        return r.json()

    def ReportError(self, im_id):
        """
        im_id:报错题目的图片ID
        """
        params = {
            'id': im_id,
        }
        params.update(self.base_params)
        r = requests.post('http://upload.chaojiying.net/Upload/ReportError.php', data=params, headers=self.headers)
        return r.json()



if __name__ == '__main__':
    # 将验证码图片下载到本地

    url = 'https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.aspx'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36'
    }
    page_text = requests.get(url=url, headers=headers).text
    # 解析验证码图片img中src属性值
    tree = etree.HTML(page_text)
    code_img_src = 'https://so.gushiwen.cn' + tree.xpath('//*[@id="imgCode"]/@src')[0]
    img_data = requests.get(url=code_img_src, headers=headers).content
    # 将验证码图片保存到本地
    with open('./code.jpg', 'wb') as fp:
        fp.write(img_data)

    # 调用打码平台的示例程序进行验证码图片数据识别
    chaojiying = Chaojiying_Client('你的账号qwq', '你的密码（不给你咱的）', '96001')
    # 用户中心>>软件ID 生成一个替换 96001
    im = open('code.jpg', 'rb').read()
    # 本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
    print(chaojiying.PostPic(im, 1902))
    # 1902 验证码类型  官方网站>>价格体系 3.4+版 print 后要加()