今天要給大家介紹的是驗證碼的爬取和識別，不過只涉及到最簡單的圖形驗證碼，也是現在比較常見的一種類型。
運行平臺：windows
Python版本：Python3.6
IDE: Sublime Text
其他：Chrome瀏覽器
簡述流程：
步驟1：簡單介紹驗證碼
步驟2：爬取少量驗證碼圖片
步驟3：介紹百度文字識別OCR
步驟4：識別爬取的驗證碼
步驟5：簡單圖像處理
目前，很多網站會采取各種各樣的措施來反爬蟲，驗證碼就是其中一種，比如當檢測到訪問頻率過高時會彈出驗證碼讓你輸入，確認訪問網站的不是機器人。但隨著爬蟲技術的發展，驗證碼的花樣也越來越多，從最開始簡單的幾個數字或字母構成的圖形驗證碼（也就是我們今天要涉及的）發展到需要點擊倒立文字字母的、與文字相符合的圖片的點觸型驗證碼，需要滑動到合適位置的極驗滑動驗證碼，以及計算題驗證碼等等，總之花樣百出，讓人頭禿。驗證碼其他的相關知識大家可以看下這個網站：captcha.org
再來簡單說下圖形驗證碼吧，就像這張：
由字母和數字組成，再加上一些噪點，但為了防止被識別，簡單的圖形驗證碼現在也變得復雜，有的加了干擾線，有的加噪點，有的加上背景，字體扭曲、粘連、鏤空、混用等等，甚至有時候人眼都難以識別，只能默默點擊“看不清，再來一張”。
驗證碼難度的提高隨之帶來的就是識別的成本也需要提高，在接下來的識別過程中，我會先直接使用百度文字識別OCR，來測試識別準確度，再確認是否選擇轉灰度、二值化以及去干擾等圖像操作優化識別率。
接下來我們就來爬取少量驗證碼圖片存入文件。
首先打開Chrome瀏覽器，訪問剛剛介紹的網站，里面有一個captcha圖像樣本鏈接：https://captcha.com/captcha-examples.html?cst=corg，網頁里有60張不同類型的圖形驗證碼，足夠我們用來識別試驗了。
直接來看代碼吧：
import requests
import os
import time
from lxml import etree
def get_Page(url,headers):
response = requests.get(url,headers=headers)
if response.status_code == 200:
# print(response.text)
return response.text
return None
def parse_Page(html,headers):
html_lxml = etree.HTML(html)
datas = html_lxml.xpath('.//div[@class="captcha_images_left"]|.//div[@class="captcha_images_right"]')
item= {}
# 創建保存驗證碼文件夾
file = 'D:/******'
if os.path.exists(file):
os.chdir(file)
else:
os.mkdir(file)
os.chdir(file)
for data in datas:
# 驗證碼名稱
name = data.xpath('.//h3')
# print(len(name))
# 驗證碼鏈接
src = data.xpath('.//div/img/@src')
# print(len(src))
count = 0
for i in range(len(name)):
# 驗證碼圖片文件名
filename = name[i].text + '.jpg'
img_url = 'https://captcha.com/' + src[i]
response = requests.get(img_url,headers=headers)
if response.status_code == 200:
image = response.content
with open(filename,'wb') as f:
f.write(image)
count += 1
print('保存第{}張驗證碼成功'.format(count))
time.sleep(1)
def main():
url = 'https://captcha.com/captcha-examples.html?cst=corg'
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'}
html = get_Page(url,headers)
parse_Page(html,headers)
if __name__ == '__main__':
main()
仍然使用Xpath爬取，在右鍵檢查圖片時可以發現，網頁分為兩欄，如下圖紅框所示，根據class分為左右兩欄，驗證碼分別位于兩欄中。
datas = html_lxml.xpath('.//div[@class="captcha_images_left"]|.//div[@class="captcha_images_right"]')
這里我使用了Xpath中的路徑選擇，在路徑表達式中使用“|”表示選取若干路徑，例如這里表示的就是選取class為"captcha_images_left"或者"captcha_images_right"的區塊。再來看下運行結果：
由于每爬取一張驗證碼圖片都強制等待了1秒，最后這個運行時間確實讓人絕望，看樣子還是需要多線程來加快速度的，關于多進程多線程我們下次再說，這里我們先來看下爬取到的驗證碼圖片。
圖片到手了，接下來就是調用百度文字識別的OCR來識別這些圖片了，在識別之前，先簡單介紹一下百度OCR的使用方法，因為很多識別驗證碼的教程用的都是tesserocr庫，所以一開始我也嘗試過，安裝過程中就遇到了很多坑，后來還是沒有繼續使用，而是選擇了百度OCR來識別。百度OCR接口提供了自然場景下圖片文字檢測、定位、識別等功能。文字識別的結果可以用于翻譯、搜索、驗證碼等代替用戶輸入的場景。另外還有其他視覺、語音技術方面的識別功能，大家可以直接閱讀文檔了解：百度OCR-API文檔https://ai.baidu.com/docs#/OCR-API/top
使用百度OCR的話，首先注冊用戶，然后下載安裝接口模塊，直接終端輸入pip install baidu-aip即可。然后創建文字識別應用，獲取相關Appid,API Key以及Secret Key，需要了解一下的是百度AI每日提供50000次免費調用通用文字識別接口的使用次數，足夠我們揮霍了。
然后就可以直接調用代碼了。
from aip import AipOcr
# 你的 APPID AK SK
APP_ID = '你的 APP_ID '
API_KEY = '你的API_KEY'
SECRET_KEY = '你的SECRET_KEY'
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
# 讀取圖片
def get_file_content(filePath):
with open(filePath, 'rb') as fp:
return fp.read()
image = get_file_content('test.jpg')
# 調用通用文字識別, 圖片參數為本地圖片
result = client.basicGeneral(image)
# 定義參數變量
options = {
# 定義圖像方向
'detect_direction' : 'true',
# 識別語言類型，默認為'CHN_ENG'中英文混合
'language_type' : 'CHN_ENG',
}
# 調用通用文字識別接口
result = client.basicGeneral(image,options)
print(result)
for word in result['words_result']:
print(word['words'])
這里我們識別的是這張圖
可以看一下識別結果
上面是識別后直接輸出的結果，下面是單獨提取出來的文字部分。可以看到，除了破折號沒有輸出外，文字部分都全部正確輸出了。這里我們使用的圖片是jpg格式，文字識別傳入的圖像支持jpg/png/bmp格式，但在技術文檔中有提到，使用jpg格式的圖片上傳會提高一定準確率，這也是我們爬取驗證碼時使用jpg格式保存的原因。
輸出結果中,各字段分別代表：
- log_id : 唯一的log id，用于定位問題
- direction : 圖像方向，傳入參數時定義為true表示檢測，0表示正向，1表示逆時針90度，2表示逆時針180度，3表示逆時針270度，-1表示未定義。
- words_result_num : 識別的結果數，即word_result的元素個數
- word_result : 定義和識別元素數組
- words : 識別出的字符串
還有一些非必選字段大家可以去文檔里熟悉一下。
接下來，我們要做的，就是將我們之前爬取到的驗證碼用剛介紹的OCR來識別，看看究竟能不能得到正確結果。
from aip import AipOcr
import os
i = 0
j = 0
APP_ID = '你的 APP_ID '
API_KEY = '你的API_KEY'
SECRET_KEY = '你的SECRET_KEY'
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
# 讀取圖片
file_path = 'D:******驗證碼圖片'
filenames = os.listdir(file_path)
# print(filenames)
for filename in filenames:
# 將路徑與文件名結合起來就是每個文件的完整路徑
info = os.path.join(file_path,filename)
with open(info, 'rb') as fp:
# 獲取文件夾的路徑
image = fp.read()
# 調用通用文字識別, 圖片參數為本地圖片
result = client.basicGeneral(image)
# 定義參數變量
options = {
'detect_direction' : 'true',
'language_type' : 'CHN_ENG',
}
# 調用通用文字識別接口
result = client.basicGeneral(image,options)
# print(result)
if result['words_result_num'] == 0:
print(filename + ':' + '----')
i += 1
else:
for word in result['words_result']:
print(filename + ' : ' +word['words'])
j += 1
print('共識別驗證碼{}張'.format(i+j))
print('未識別出文本{}張'.format(i))
print('已識別出文本{}張'.format(j))
和識別圖片一樣，這里我們將文件夾驗證碼圖片里的圖片全部讀取出來，依次讓OCR識別，并依據“word_result_num”字段判斷是否成功識別出文本，識別出文本則打印結果，未識別出來的用“----”代替，并結合文件名對應識別結果 。最后統計識別結果數量，再來看下識別結果。
看到結果，只能說Amazing！60張圖片居然識別出了65張，并且還有27張為未識別出文本的，這不是我想要的結果~先來簡單看下問題出在哪里，看到“Vertigo Captcha Image.jpg"這張圖名出現了兩次，懷疑是在識別過程中由于被干擾，所以識別成兩行文字輸出了，這樣就很好解釋為什么多出來5張驗證碼圖片了。可是！為什么會有這么多未識別出文本呢，而且英文數字組成的驗證碼識別成中文了，看樣子，不對驗證碼圖片進行去干擾處理，僅靠OCR來識別的想法果然還是行不通啊。那么接下來我們便使用圖像處理的方法來重新識別驗證碼吧。
還是介紹驗證碼時用的這張圖
這張圖也沒能被識別出來，讓人頭禿。接下來就對這張圖片進行一定處理，看能不能讓OCR正確識別
from PIL import Image
filepath = 'D:******驗證碼圖片AncientMosaic Captcha Image.jpg'
image = Image.open(filepath)
# 傳入'L'將圖片轉化為灰度圖像
image = image.convert('L')
# 傳入'1'將圖片進行二值化處理
image = image.convert('1')
image.show()
這樣子轉化后再來看下圖片變成什么樣了？
確實有些不同了，趕緊拿去試試能不能識別，還是失敗了~~繼續修改
from PIL import Image
filepath = 'D:******驗證碼圖片AncientMosaic Captcha Image.bmp'
image = Image.open(filepath)
# 傳入'L'將圖片轉化為灰度圖像
image = image.convert('L')
# 傳入'l'將圖片進行二值化處理,默認二值化閾值為127
# 指定閾值進行轉化
count= 170
table = []
for i in range(256):
if i < count:
table.append(0)
else:
table.append(1 )
image = image.point(table,'1')
image.show()
這里我將圖片保存成了bmp模式，然后指定二值化的閾值，不指定的話默認為127，我們需要先轉化原圖為灰度圖像，不能直接在原圖上轉化。然后將構成驗證碼的所需像素添加到一個table中，然后再使用point方法構建新的驗證碼圖片。
現在已經識別到文字了，雖然我不知道為啥識別成了“珍”，分析之后發現是因為z我在設置參數設置了“language_type”為“CHN_ENG”，中英文混合模式，于是我修改成“ENG”英文類型，發現可以識別成字符了，但依然沒有識別成功，嘗試其他我所知道的方法后，我表示很無語，我決定繼續嘗試PIL庫的其他方法試試。
# 找到邊緣 image = image.filter(ImageFilter.FIND_EDGES) # image.show() # 邊緣增強 image = image.filter(ImageFilter.EDGE_ENHANCE) image.show()
還是不能正確識別，我決定換個驗證碼試試。。。。。。
我找了這張帶有陰影的
from PIL import Image,ImageFilter
filepath = 'D:******驗證碼圖片CrossShadow2 Captcha Image.jpg'
image = Image.open(filepath)
# 傳入'L'將圖片轉化為灰度圖像
image = image.convert('L')
# 傳入'l'將圖片進行二值化處理,默認二值化閾值為127
# 指定閾值進行轉化
count= 230
table = []
for i in range(256):
if i < count:
table.append(1)
else:
table.append(0)
image = image.point(table,'1')
image.show()
簡單處理后，得到這樣的圖片：
識別結果為：
識別成功了，老淚縱橫！！！看樣子百度OCR還是可以識別出驗證碼的，不過識別率還是有點低，需要對圖像進行一定處理，才能增加識別的準確率。不過百度OCR對規范文本的識別還是很準確的。
那么與其他驗證碼相比，究竟是什么讓這個驗證碼更容易被OCR讀懂呢?
- 字母沒有相互疊加在一起，在水平方向上也沒有彼此交叉。也就是說，可以在每一個字 母外面畫一個方框，而不會重疊在一起。
- 圖片沒有背景色、線條或其他對 OCR 程序產生干擾的噪點。
- 白色背景色與深色字母之間的對比度很高。
這樣的驗證碼相對識別起來較容易，另外，像識別圖片時的白底黑字就屬于很標準的規范文本了，所以識別的準確度較高。至于更復雜的圖形驗證碼，就需要更深的圖像處理技術或者訓練好的OCR來完成了，如果只是簡單識別一個驗證碼的話，不如人工查看圖片輸入，更多一點的話，也可以交給打碼平臺來識別。
