1. 验证码识别

随着爬虫的发展，越来越多的网站开始采用各种各样的措施来反爬虫，其中一个措施便是使用验证码。随着技术的发展，验证码也越来越花里胡哨的了。最开始就是几个数字随机组成的图像验证码，后来加入了英文字母和混淆曲线，或者是人眼都很难识别的数字字母。很多国内网站还出现了中文字符的验证码，使得识别越发困难。

然后又出现了需要我们识别文字，点击与文字相符合的图片，验证码完全正确，验证才能通过。下载的这种交互式验证码越来越多了，如滑动验证码需要滑动拼合滑块才能完成验证，点触验证码需要完全点击正确结果才可以完成验证，另外还有滑动宫格验证码、计算题验证码等。

最让我生气的就是外国的一款邮箱的验证码，freemail邮箱的验证码，随机生成一些图片，让你点击符合标题的图片，这种别说爬虫了，对人为操作都不友好。（满满的怨念）

还有一种外国邮箱tutanota，是一个时钟验证码，我们想要根据上面的时间指针来输入正确的时间。但是被我们公司的大佬自己写的OCR识别出来了，虽然错误率还很高，但是这是一个大的突破。

验证码变得越来越复杂，爬虫的工作也变得愈发艰难，有时候我们必须通过验证码的验证才可以访问页面，本章就专门针对简单的验证码的识别做大概的讲解（难的我也不会）。

1.1 使用百度OCR

tesserocr是很早的一款OCR文字识别技术了，算是过时的东西了。百度OCR中文字识别每天都有限制次数的免费额度，所以我们就用它了（别问，问就是白嫖）。

百度搜索百度ocr，进入官网。

往下翻，直到翻到下图界面。

登录即可，没有账号就注册。

登录成功后，创建应用。

中间内容填的合理就行。

这些内容不能给大家看了，下面的代码中，我会将之用********替换，各位只要根据自己的百度平台的内容修改下即可。 

1.2 图形验证码的识别

我们首先识别最简单的以种验证码，即图形验证码。这种验证码最早出现，现在也很常见，一般由4位字母或者数字组成。例如，中国知网的注册页面有类似的验证码，链接为http://my.cnki.net/Register/CommonRegister.aspx。

表单的最后一项就是图形验证码，我们必须完全正确输入图中的字符才可以完成注册。 

为了便于实验，我们先将验证码的图片保存到本地。

打开开发者工具，找到验证码元素。验证码元素是一张图片，它的src属性是heckCode.aspx。我们直接打开这个链接即：http://my.cnki.net/Register/CheckCode.aspx ，就可以看到个验证码，右键保存即可将其命名为code.jpg。

这样我们就可以得到一张验证码图片，以供测试识别使用。

接下来新建一个项目，将验证码图片放到项目根目录下，用百度ocr识别该验证码。

结果：

结果差强人意，可能是由于验证码内的多余线条干扰了图片的识别。

对于这种情况，我们还需要做一下额外的处理，如转灰度、二值化等操作。

这就需要我们使用到一个新的模块PIL了，我们这里先用，以后我特意出一章关于这个模块的使用。

pip install pillow -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com Looking in indexes: http://pypi.douban.com/simple/

别问为什么安装的是pillow模块，而不是PIL模块，到时候会说明的。

我们可以利用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1即可将图片进行二值化处理。

我们还可以指定二值化的阔值 上面的方法采用的是默认阔值 127 不过我们不能直接转化原因， 要将原图先转为灰度图像，然后再指定二值化阔值。