Python爬虫过程中验证码识别的三种解决方案

当前位置:

首页 > temp > 简明python教程 >

Python爬虫过程中验证码识别的三种解决方案

在Python爬虫过程中，有些网站需要验证码通过后方可进入网页，目的很简单，就是区分是人阅读访问还是机器爬虫。验证码问题看似简单，想做到准确率很高，也是一件不容易的事情。为了更好学习爬虫，后续推文中将会更多介绍爬虫问题的解决方案。本篇推文将分享三种解决验证码的方法，如果你有比较好的方案，欢迎留言区讨论交流，共同进步。

1.pytesseract

pytesseract是google做的ocr库，可以识别图片中的文字，一般用在爬虫登录时验证码的识别，在安装pytesseract环境过程中会遇到各种坑的事情，如果你需要安装，可以按照如下流程去做，避免踩坑。下面以 mac为例。

1.安装方法

pip install pytesseract

2.此外，还需安装Tesseract，它是一个开源的OCR引擎，能识别100多种语言。

brew install tesseract

3.查看安装位置为

brew list tesseract
/usr/local/Cellar/tesseract/4.1.1/bin/tesseract
/usr/local/Cellar/tesseract/4.1.1/include/tesseract/ (19 files)
/usr/local/Cellar/tesseract/4.1.1/lib/libtesseract.4.dylib
/usr/local/Cellar/tesseract/4.1.1/lib/pkgconfig/tesseract.pc
/usr/local/Cellar/tesseract/4.1.1/lib/ (2 other files)
/usr/local/Cellar/tesseract/4.1.1/share/tessdata/ (35 files)

4.配置环境变量

export TESSDATA_PREFIX=/usr/local/Cellar/tesseract/4.1.1/share/tessdata
export PATH=$PATH:$TESSDATA_PREFIX

5.如何出现如下报错

'TesseractNotFoundError: tesseract is not installed or it's not in your PATH'

6.修改pytesseract.py的cmd

'tesseract_cmd = '/usr/local/Cellar/tesseract/4.1.1/bin/tesseract''

先验证一个简单的验证码

代码如下

from PIL import Image,ImageFilter
import pytesseract
path ='/Users/****/***.jpg'
captcha = Image.open(path)
result = pytesseract.image_to_string(captcha)
print(result)

结果输出

再换一张试一下

输入代码后，结果错误输出为

由此看出，pytesseract对于简单方法有效，并不像有些人写的这么好，当然可以通过灰度、二值等方法，效果并不是很理想，稍微复杂的需要寻找其他解决方案，如果解决上述问题呢，我们看下面的解决方案。

2.百度OCR接口

调用百度OCR接口(代码示例)

# encoding:utf-8
import requests
import base64

'''
通用文字识别（高精度版）
'''
request_url = "https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic"
# 二进制方式打开图片文件
f = open('[本地文件]', 'rb')
img = base64.b64encode(f.read())
params = {"image":img}
access_token = '[调用鉴权接口获取的token]'
request_url = request_url + "?access_token=" + access_token
headers = {'content-type': 'application/x-www-form-urlencoded'}
response = requests.post(request_url, data=params, headers=headers)
if response:
    print (response.json())

上述方案没解决的问题，调用此方法试一下，可以顺利解决。

那么对于更复杂的验证码呢？

首先直接调用结果输出

Ygax6-

结果把干扰线识别出来Y和-，可以看出百度OCR接口对复杂验证码能识别，但是对干扰线的问题，无法解决。如何解决上述问题呢？对于复杂的验证码，我们是不能直接调用，我们先做一些预处理：灰度、二值化等。

再次调用接口

gax6

上述问题得到了解决。对于超级变态的验证码如何解决呢？几个0？几个O？下面提供一种深度学习解决方案。

3.深度学习

深度学习验证码识别可能并不适合所有人，原因很简单，首先不是每个人都有算法基础。其次小编亲自测试来一下，cpu资源的消耗也非常高，如果你有云端资源可以跑一下。深度学习的验证码识别，我这边介绍一下解决方案的思路，目前企业级的验证识别更为复杂。

1.搭建基于keras框架的深度学习模型

from keras.models import *
from keras.layers import *

input_tensor = Input((height, width, 3))
x = input_tensor
for i in range(4):
    x = Convolution2D(32*2**i, 3, 3, activation='relu')(x)
    x = Convolution2D(32*2**i, 3, 3, activation='relu')(x)
    x = MaxPooling2D((2, 2))(x)

x = Flatten()(x)
x = Dropout(0.25)(x)
x = [Dense(n_class, activation='softmax', name='c%d'%(i+1))(x) for i in range(4)]
model = Model(input=input_tensor, output=x)

model.compile(loss='categorical_crossentropy',
              optimizer='adadelta',
              metrics=['accuracy'])

2.模型训练

model.fit_generator(gen(), samples_per_epoch=51200, nb_epoch=5, 
                    nb_worker=2, pickle_safe=True, 
                    validation_data=gen(), nb_val_samples=1280)

3.测试模型

X, y = next(gen(1))
y_pred = model.predict(X)
plt.title('real: %s\npred:%s'%(decode(y), decode(y_pred)))
plt.imshow(X[0], cmap='gray')

4.结果展示

结论

验证码识别问题正如推文开头所说，看似简单，实际上远比想象的要复杂的多。有些解决方案也可能是针对性解决方案。

栏目列表