验证码

当我们在爬取某些网站的时候，对于一些频繁请求，网站会识别你是机器还是人。如果是机器，直接不允许你访问这个网站了，直接返回404或者禁止访问。

最常见的方式就是验证码。验证码的主要功能就是区分当前访问网站的是人还是代码。越难识别或者越模糊的验证码区分能力却强。网站想方设法的搞一些手段来对付技术，就是想让服务器不用承受代码大量访问的压力，这样就能够为正常用户提供流畅的服务了。

但是，技术又能对付人们的想法。一来一去，就有了各种各样的变态验证码，也有了各种各样的应对方式。

常见的验证码有这么几种：

• 图像验证
• 语音验证
• 短信验证
• 极验验证
• 点击验证

如何识别图像验证码

来看看这些图片验证码：

这些验证码大多是数字和字母组成，然后在此之上再添加一些模糊的噪点或者横线竖线，或者把这些字符扭曲一下，增加识别难度。

接下来我们思考一下，我们要识别这类验证码要怎么做呢？

首先要处理一下验证码图片，什么乱七八糟的噪点都尽量把它们去掉，让图片尽量黑白，尽量只剩下字符本身，然后再用 python 强大的 OCR 工具：

Python-tesseract

来识别我们优化好的图片，这样正确率就会大大的提高。

我们用 python 搞几张识别难度不同的验证码：

第一张

难度系数： ★，一颗星

第二张

难度系数： ★★，两颗星

第三张

难度系数： ★★★，三颗星

第四张

难度系数： ★★★★，四颗星

第五张

难度系数 ： ★★★★★，五颗星

先对第一张进行识别。第一张看起来比较清晰，识别起来没有难度。

先安装一下 pytesseract ：

pip install pytesseract

接着安装一下 tesseract-ocr：

如果是 ubuntu 系统可以直接使用如下命令安装：

sudo apt install tesseract-ocr

如果是 win 系统自行百度一下安装 tesseract-ocr 以及环境变量配置。

完了之后就导入相关模块到代码文件中：

try:
    from PIL import Image
except ImportError:
    import Image
import pytesseract

接着打开第一张图片，使用 pytesseract 识别，打印出结果：

captcha = Image.open("captcha1.png")
result = pytesseract.image_to_string(captcha)
print(result)

结果：

识别成功！

接着来识别第 2 张：

captcha = Image.open("claptcha2.png")
result = pytesseract.image_to_string(captcha)
print(result)

结果是

1924，结果有误！pytesseract 准确率没那么高，没办法识别太多噪点的图片。如果这个图片再加上一点彩色背景如下图：

对 pytesseract 来说更有难度。

所以我们先对这张图片灰度处理一下：

captcha = Image.open("captcha2.png")
result = captcha.convert('L')
result.show()

图片就变成灰了：

虽然灰了，但是还不够。除了处理灰度还需要对其进行“二值化”：

def convert_img(img,threshold):
    img = img.convert("L")  # 处理灰度
    pixels = img.load()
    for x in range(img.width):
        for y in range(img.height):
            if pixels[x, y] > threshold:
                pixels[x, y] = 255
            else:
                pixels[x, y] = 0
    return img

调用一下：

convert_img(captcha,150)

图片就变成了：

非常清晰！

这时候对这张图片识别一下：

# 识别一下
result = pytesseract.image_to_string(result)
print(result)

成功识别！

接下来再来看看有毛有噪的图片：

这时候直接去识别是识别不出来的。所以还是老办法，先处理灰度，再进行“二值化”。这次再降一下噪：

data = img.getdata()
    w,h = img.size
    count = 0
    for x in range(1,h-1):
        for y in range(1, h - 1):
            # 找出各个像素方向
            mid_pixel = data[w * y + x]
            if mid_pixel == 0:
                top_pixel = data[w * (y - 1) + x]
                left_pixel = data[w * y + (x - 1)]
                down_pixel = data[w * (y + 1) + x]
                right_pixel = data[w * y + (x + 1)]

                if top_pixel == 0:
                    count += 1
                if left_pixel == 0:
                    count += 1
                if down_pixel == 0:
                    count += 1
                if right_pixel == 0:
                    count += 1
                if count > 4:
                    img.putpixel((x, y), 0)

图片变成这样了：

再识别一下：

不过，pytesseract 不是万能的，对于稍微复杂一点的就识别不出来了。至于这张：

我们肉眼都很难看出它是 1l1l0oO0，更不要说用代码去识别了，所以 pytesseract 也识别不了。

对于一些简单的验证码，使用 pytesseract 还是可以的。如果我们想提高 pytesseract 识别率，还可以去搞些图片去训练一下 tesseract-ocr。这样，当我们遇到一些登录需要验证码的网站时，直接引入本文识别验证码的方法就可以继续爬数据了。