最近在学python , 开始写点简单的爬虫小程序。真真感觉到python写爬虫软件很是简单。
但在写的过程中,也遇到了好多问题,有需要设置User-Agent的,有需要处理重定向,有需要设置cookies的等等。
不过还是听起来很动人。于是开始动手捣鼓。查了下相关资料,发现这东西还挺复杂,有好多依赖。
PyTesser uses the Tesseract OCR engine, converting images to an accepted format and calling the Tesseract executable as an external script. A Windows executable is provided along with the Pyth
但在写的过程中,也遇到了好多问题,有需要设置User-Agent的,有需要处理重定向,有需要设置cookies的等等。
在爬取一些需要验证的之类网站的数据时,验证码图片识别几乎是无法避免需要解决的问题。
楼主虽然是计算机专业的,但是对于图片识别算法之类的从来没有接触过。虽然可以搜索到许多的现成代码,但大部分都是需要定制的,例如有专门处理删除线图片的代码,专门去除噪点的代码等等。更是对一些高大上的算法,比如截图,二值化、中值滤波去噪、分割、紧缩重排(让高矮统一)、字库特征匹配识别等等两眼一抹黑。
在网上闲逛,发现了后来找到一个python OCR软件pytesser。只需要简单的一句代码就可以实现上面这种验证码的识别。但是这个插件并不支持所有的验证码识别,如果图片高低不等的话是无法实别出来的。太复杂的验证码也没办法实别。毕竟对于那种高端验证码,也不能指望一个类库就能解决问题 -_-不过还是听起来很动人。于是开始动手捣鼓。查了下相关资料,发现这东西还挺复杂,有好多依赖。
PyTesser uses the Tesseract OCR engine, converting images to an accepted format and calling the Tesseract executable as an external script. A Windows executable is provided along with the Pyth