爬虫Day15-识别图形验证码

Posted on | In | | 阅读数

前言

上一篇的模拟登陆 爬虫Day14-模拟登陆Github 提到，具体的反爬手段还有验证码，而验证码又分为很多类：图形验证码、极验滑动验证码、点触验证码等等。对于简单的验证码，我们可以利用脚本识别，如果是比较复杂的验证码，建议外接到打码平台，省时省力。

今天我们要讲的是图形验证码。


环境准备

识别图形验证码需要库 tesseract 和 Pillow。请自行百度安装。

Pillow 是从 Python 图像库（Python Imaging Library，PIL）分出来的；而关于tesseract，在python中它的库为tesserocr。

有人分不清为什么安装了软件还要安装模块，其实是这样的：在python 中的库相当于软件的包装器，可以帮助我们调用软件。


tesseract 的使用

我们先保存一张验证码到本地，用来测试使用。名为 code.jpg

如下图：

第一种方法：

1
2
import tesserocr
print(tesserocr.file_to_text('code.jpg'))
  • 通过两行代码我们就将验证码识别出来，是不是很棒！

第二种方法：

1
2
3
4
5
6
import tesserocr
from PIL import Image

image = Image.open('code.jpg')  # 使用open方法打开验证码的图，获得一个image对象
result = tesserocr.image_to_text(image)   # 调用 image_to_text（）方法将图片转字符串
print(result)

运行结果如下：

  • 可以看到多出来个空白格，对于一些复杂的线条，tesseroct库会识别失效，这个我们后面会说。
  • 并且，第二种方法是基于打开图片后的image对象进行操作的，而且识别效果更高。建议采用第二种写法噢~



转灰度、二值化

上面的方法虽然快捷、但是一旦遇到有复杂线条干扰的验证码，识别准确度就会大大下降。我们可以通过转灰度、二值化进行加工处理，让图片变得更容易电脑识别。

先了解一下这个convert 方法：

convert（）：将当前图像转换为其他模式，并且返回新的图像。

代码实现：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
import tesserocr
from PIL import Image

image = Image.open('code.jpg')
image = image.convert('L')
threshold = 127  # 二值化阈值   数值越低接近白，越高越黑
table = []

for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)

image = image.point(table, '1')
image.show()

result = tesserocr.image_to_text(image)
print(result)

  • 利用Image对象的convert（）方法参数传入’L’，即可将图片转化为灰度图像

  • 传入数字”1” 即对图片进行二值化处理，convert()方法采用的是默认阈值为127。不过我们不能直接转化原图，要将原图先转为灰度图像，然后再指定二值化阔值

  • threshold 变量存储的二值化阈值的规律是：数值越低接近白，越高越黑（并且是从左到右渲染的）

  • images.point方法：返回给定查找表对应的图像像素值的拷贝。变量table为图像的每个通道设置256个值。

    它会为输出图像指定一个新的模式（mode指定的模式）

转灰度、二值化的变化过程：

  • 可以看到，一些复杂的线条就被我们清理掉了，剩下白色背景、黑色字体的图片（tesseroct最喜欢这个了）

运行结果：

  • 经过后期处理之后，现在的识别准确度大大提高，对于此张验证码，我们做到了完美识别！


写在后面

验证码绝对是反爬工程师手中的一把利器，可以阻挡住多数低级爬虫。

这篇只是介绍了下图形验证码，对于验证码，还需要其他方面知识的铺垫、例如机器学习、一定的数学基础等等。

当你学会识别大多数的验证码时，就可以自信的去敲BAT级别公司的门了。