Python网络爬虫基础教程 第8章 验证码识别.pptxVIP

第8章 验证码识别;学习目标/Target;章节概述/ Summary;目录/Contents;验证码识别;验证码是指能够区分用户是计算机或人类的公共全自动程序，它因为能够有效防止非人类的用户恶意注册网站，以及频繁采集网页数据等行为，所以成为了很多网站防爬虫的首选方式。起初，验证码只是一张带有随机字符的图片，用户只需要输入图片中的字符即可完成验证，但是这种验证码很容易被网络爬虫识别。为了提升验证码的识别难度，设计人员在原先验证码的基础上添加了一些干扰元素，比如斜线、杂点等。;掌握字符验证码的识别方法，能够使用pytesseract实现识别字符验证码的功能;8.1.1 字符验证码的识别;相比用户行为的验证码，字符验证码的识别相对简单一些。我们只需要通过字符识别技术获取图片中的字符即可。常见的字符识别技术是OCR技术（Optical Character Recognition，光学字符识别）,为了能够在Python程序中使用OCR技术识别字符验证码，我 们可以通过两种方式进行实现：Tesseract-OCR（谷歌开发并开源的OCR引擎）和平台OCR（如百度 OCR、腾讯OCR）。;Tesseract-OCR是一个光学字符识别引擎，支持多种操作系统，具有精准度高、灵活性高等特点。它通过训练不仅可以识别出任何字体（只要字体的风格保持不变即可），而且可以识别出任何Unicode字符。;步骤1;步骤2;;步骤4;步骤5;步骤6;;步骤8;步骤9;步骤9;为了能够调用Tesseract-OCR引擎识别字符验证码， Python中提供了两个库pytesseract和Pillow，其中 pytesseract是对Tesseract-OCR的一层封装，它也可 以单独作为Tesseract-OCR引擎的调用脚本；Pillow是基于PIL库的一个派生分支，如今已经发展成为比PIL本身更具活力的图像处理库。;pytesseract和Pillow都是第三方库，可以通过pip工具进行安装。 pip install pytesseract pip install Pillow 若要使用Tesseract-OCR识别字符验证码，一般分为以下几个步骤。 使用Pillow. Image模块调用open()函数加载图像文件，生成图像对象。 使用pytesseract库调用image_to_string()函数对图像对象进行Tesseract-OCR识别，并将识别后的结果以字符串形式进行返回。;使用pytesseract和Pillow库识别字符验证码示例如下。 from PIL import Image # 导入Pillow库中的Image类 from pytesseract import pytesseract image = Image.open(W549.png) text = pytesseract.image_to_string(image) print(text);通常情况下，网页上的字符验证码中存在许多干扰线和噪点，因此在未训练的情况下使用Tesseract-OCR的识别效果并不理想。这时可以使用百度OCR识别带有一些干扰元素的字符验证码。在使用百度OCR之前，我们需要先在百度AI开放平台注册应用。下面分别为大家介绍注册应用和使用百度OCR。;首先，使用百度账号登录百度AI开放平台首页，在该页面顶部的菜单栏中选择“开放能力”→ “文字识别” →“通用文字识别”。;然后进入通用文字识别页面，单击“通用文字识别”链接，进入通用文字识别页面，在该页面中单击“立即使用”按钮进入“百度智能云-管理中心”页面。;最后，单击“创建应用”按钮跳转至创建新应用页面，在该页面中根据要求填写新应用的必选项，包括应用名称、接口选择、文字识别包名、应用归属、应用描述等。完成填写后，单击新应用页面底部的“立即创建”按钮可以看到创建完毕的提示信息。;在使用百度OCR开发程序之前，我们需要查看平台提供的API文档。，具体步骤为在百度智能云-管理中心”页面单击API文档→ 通用场景文字识别→ 通用文字识别（高精度版），跳转至通用文字识别（高精度版）的API文档页面。;以一个字符验证码图片为例，使用百度OCR识别字符验证码图片。字符验证码图片如下所示。;import base64,requests;熟悉滑动拼图验证码的识别方法，能够使用Selenium实现识别滑 动拼图验证码的功能;8.1.2 滑动拼图验证码的识别;滑动拼图验证码主要由5部分组成，分别是抠图、滑动、缺口、背景图片、滑轨，其中抠图 和缺口的的形状是随机的，缺口的位置是随机的，这意味着用户滑动滑动的距离也是随机的。;Python中识别滑动拼图验证码的实现思路一般分为5步。;熟悉点选验证码的识别方法，能够使用Selenium结