验证码识别
图象识别
Python的强大，在于它有非常多的第三方库。对于验证码识别，Python也已经有了现成的库来供我们使用了。开源的OCR库pytesseract配合tesseract，可以用来将图片中的文字转化为文本。
不过这种方式我们在爬虫中用的并不多。因为现在大部分的验证码都加上了干扰的纹理，已经很少能用单机版的图片识别方式来识别了。所以我们这里仅仅使用简单地图片来进行介绍。如果有一天你的运气足够好，遇到了非常工整的验证码，那么你可以使用这个办法来试一试。
安装 tesseract
(1) Windows
请在这里下载安装包：https://github.com/tesseract-ocr/tesseract/wiki/Downloads
在 3rd party Windows exe\’s/installer 下面可以找到 exe 安装包。
(2) Mac
使用 homebrew 安装：
$ brew install tesseract
|
(3) Linux
使用 apt-get 安装:
$ sudo apt-get install tesseract-orc
|
更多的安装帮助信息，可以参阅：https://github.com/tesseract-ocr/tesseract/wiki
安装 Python库
要使用 tesseract 来做图像识别，我们还需要安装两个库：
$ pip install Pillow
$ pip install pytesseract
|
tesseract的使用
tesseract的使用非常简单，流程如下：
- 导入相关的第三方库
- 打开图片
- 识别
我们可以通过以下代码来实现最简单的图片识别：
import pytesseract
from PIL import Image
image = Image.open(\'1234.png\')
code = pytesseract.image_to_string(image)
print(code)
|
如果需要进行操作请保存下面图片：
测试结果如下：
代码：
import pytesseract
from PIL import Image
image = Image.open(\'1234.png\')
code = pytesseract.image_to_string(image)
print(code)
|
打码网站的介绍
现在还有一种在线验证码识别的网站。他们雇佣了很多失业者和残疾人来人肉识别验证码，一般十个验证码一分钱左右。我们可以使用这种网站提供的接口来帮助我们识别验证码。这种方式理论上可以识别任何使用输入方式来验证的验证码。
这种打码网站的流程一般是这样的：
- 将验证码上传到网站服务器
- 网站服务器将验证码分发给打码工人
- 打码工人肉眼识别验证码并上传结果
- 网站将结果返回给我们
整个流程走完，在网速良好的白天一般在3-4秒钟，在晚上大概8-10秒钟。
使用在线打码
大家在百度或者谷歌上面搜索：“验证码在线识别”，就可以找到很多提供在线打码的网站。但是由于一般这种打码网站是需要交费才能使用的，所以请一定要注意财产安全！
在这堂课里面，我使用一个叫做云打码的网站来进行测试。网站地址为：http://www.yundama.com/。注册账号以后，需要交费购买“题分”才能正常使用。大家充1元钱就可以了。千万别多充，因为这个网站看起来快要倒闭了，很多文档都没有更新，他们给出的API也有些问题。
这个网站虽然提供了各种语言的SDK，但是版本都比较旧了，所以我推荐大家使用他的HTTP接口：http://www.yundama.com/download/YDMHttp.html
这个页面上给出了上传的地址。大家不要去看它提供的“PythonHTTP调用示例”，因为这个示例有问题。
经过我的研究，它的HTTP接口的正确使用步骤如下：
- 使用POST方式上传图片，并接收返回信息。上传的网址为：http://api.yundama.com/api.php?method=upload 上传参数请看下面的示例。
- 运气和网速足够好的时候，立刻就可以从返回的信息中得到验证码。如果返回的数据没有验证码，转步骤3.
- 获取cid, 并使用GET方式反复访问http://api.yundama.com/api.php?cid=在这里输入你获取到的cid&method=result 直到获取到验证码为止
我这里给出一个正确的使用方式的代码片段：
captcha_username = \'slzcc\' #打码网站用户名
captcha_password = \'1234567\' #打码网站密码
captcha_appid = 1
captcha_appkey = \'22cc5376925e9387a23cf797cb9ba745\'
captcha_codetype = \'1004\'
filename = \'1.png\'
timeout = 15
data = {\'method\': \'upload\', \'username\': captcha_username, \'password\': captcha_password, \'appid\': captcha_appid, \'appkey\': captcha_appkey, \'codetype\': captcha_codetype, \'timeout\': \'60\'}
f = open(filename, \'rb\')
file = {\'file\': f}
response = requests.post(captcha_url, data, files=file).text
f.close()response_dict = json.loads(response)
\'\'\'如果验证码比较简单，或者是白天，这里直接就可以拿到结果\'\'\'result = response_dict[\'text\']
\'\'\'如果验证码比较难以识别或者是深夜，需要等待网站的返回结果\'\'\'if not result:
cid = response_dict[\'cid\']
while timeout > 0:
response = requests.get(captcha_result_url.format(cid)).text
response_dict = json.loads(response)
print(response_dict, \'——还剩:{}秒...\'.format(timeout))
captcha = response_dict[\'text\']
if response_dict[\'text\']:
print(\'验证码是: {}\'.format(captcha))
break
time.sleep(1)
timeout -= 1
|
|
|