Python實戰(zhàn) | 谷歌識別引擎 破解驗證碼
作者 |?陳熹
來源 |?早起Python
前言
在我們寫爬蟲的過程中，目標網(wǎng)站常見的干擾手段就是設(shè)置驗證碼等，本就將基于Selenium實戰(zhàn)講解如何處理彈窗和驗證碼，爬取的目標網(wǎng)站為某儀器預(yù)約平臺
可以看到登錄所需的驗證碼構(gòu)成比較簡單，是彩色的標準數(shù)字配合簡單的背景干擾
因此這里的驗證碼識別不需要借助人工智能的手段，可直接利用二值法對圖片處理后交給谷歌的識別引擎tesseract-OCR即可獲得圖中的數(shù)字。
注：selenium?和?tesseract?的配置讀者可自行搜索，本文不做介紹)
Python實戰(zhàn)
首先導(dǎo)入所需模塊
import?re
#?圖片處理
from?PIL?import?Image
#?文字識別
import?pytesseract
#?瀏覽器自動化
from?selenium?import?webdriver
import?time解決彈出框問題
先嘗試打開示例網(wǎng)站
url?=?'http://lims.gzzoc.com/client'
driver?=?webdriver.Chrome()
driver.get(url)
time.sleep(30)
有趣的地方出現(xiàn)了，網(wǎng)站顯示了一個我們前面沒有看到的彈窗，簡單說一下彈窗的知識點，初學(xué)者可以將彈出框簡單分為alert和非alert
alert式彈出框
alert(message)方法用于顯示帶有一條指定消息和一個 OK 按鈕的警告框confirm(message)方法用于顯示一個帶有指定消息和 OK 及取消按鈕的對話框prompt(text,defaultText)方法用于顯示可提示用戶進行輸入的對話框
看一下這個彈出框的js是怎么寫的：
看起來似乎是alert式彈出框，那么直接用driver.switch_to.alert嗎？先不急
非傳統(tǒng)alert式彈出框的處理
彈出框位于 div層，跟平常定位方法一樣彈出框是嵌套的 iframe層，需要切換iframe彈出框位于嵌套的 handle，需要切換窗口
所以我們對這個彈出框進行元素審查
所以問題實際上很簡單，直接定位按鈕并點擊即可
url?=?'http://lims.gzzoc.com/client'
driver?=?webdriver.Chrome()
driver.get(url)
time.sleep(1)
driver.maximize_window()?#?最大化窗口
driver.find_element_by_xpath("http://div[@class='jconfirm-buttons']/button").click()獲取圖片位置并截圖
二值法處理驗證碼的簡單思路如下：
切割截取驗證碼所在的圖片 轉(zhuǎn)為灰度后二值法將有效信息轉(zhuǎn)為黑，背景和干擾轉(zhuǎn)為白色 處理后的圖片交給文字識別引擎 輸入返回的結(jié)果并提交
切割截取驗證碼的圖片進一步思考解決策略：首先獲取網(wǎng)頁上圖片的css屬性，根據(jù)size和location算出圖片的坐標；然后截屏；最后用這個坐標進一步去處理截屏即可(由于驗證碼js的特殊性，不能簡單獲取img的href后下載圖片后讀取識別，會導(dǎo)致前后不匹配)
img?=?driver.find_element_by_xpath('//img[@id="valiCode"]')
time.sleep(1)
location?=?img.location
size?=?img.size
#?left?=?location['x']
#?top?=?location['y']
#?right?=?left?+?size['width']
#?bottom?=?top?+?size['height']
left?=?2?*?location['x']
top?=?2?*?location['y']
right?=?left?+?2?*?size['width']?-?10
bottom?=?top?+?2?*?size['height']?-?10
driver.save_screenshot('valicode.png')
page_snap_obj?=?Image.open('valicode.png')
image_obj?=?page_snap_obj.crop((left,?top,?right,?bottom))
image_obj.show()正常情況下直接使用注釋的四行代碼即可，但不同的電腦不同的瀏覽器，縮放倍率存在差異，因此如果截取出的圖存在偏差這需要考慮乘上倍率系數(shù)。最后可以再加減數(shù)值進行微調(diào)
可以看到圖片這成功截取出來了！
驗證碼圖片的進一步處理
這個閾值需要具體用Photoshop或者其他工具嘗試，即找到一個像素閾值能夠?qū)⒒叶葓D片中真實數(shù)據(jù)和背景干擾分開，本例經(jīng)測試閾值為205
img?=?image_obj.convert("L")??#?轉(zhuǎn)灰度圖
pixdata?=?img.load()
w,?h?=?img.size
threshold?=?205
#?遍歷所有像素，大于閾值的為黑色
for?y?in?range(h):
????for?x?in?range(w):
????????if?pixdata[x,?y]?????????????pixdata[x,?y]?=?0
????????else:
????????????pixdata[x,?y]?=?255根據(jù)像素二值結(jié)果重新生成圖片
data?=?img.getdata()
w,?h?=?img.size
black_point?=?0
for?x?in?range(1,?w?-?1):
????for?y?in?range(1,?h?-?1):
????????mid_pixel?=?data[w?*?y?+?x]
????????if?mid_pixel?50:
????????????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?10:
????????????????black_point?+=?1
????????????if?left_pixel?10:
????????????????black_point?+=?1
????????????if?down_pixel?10:
????????????????black_point?+=?1
????????????if?right_pixel?10:
????????????????black_point?+=?1
????????????if?black_point?1:
????????????????img.putpixel((x,?y),?255)
????????????black_point?=?0
img.show()圖像處理前后對比如下
文字識別
將處理后的圖片就給谷歌的文字識別引擎就能完成識別
result?=?pytesseract.image_to_string(img)
#?可能存在異常符號，用正則提取其中的數(shù)字
regex?=?'\d+'
result?=?''.join(re.findall(regex,?result))
print(result)識別結(jié)果如下
提交賬號密碼、驗證碼等信息
在處理完驗證碼之后，現(xiàn)在我們就可以向網(wǎng)站提交賬號密碼、驗證碼等登陸所需信息
driver.find_element_by_name('code').send_keys(result)
driver.find_element_by_name('userName').send_keys('xxx')
driver.find_element_by_name('password').send_keys('xxx')
#?最后點擊確定
driver.find_element_by_xpath("http://div[@class='form-group?login-input'][3]").click()需要注意的是，二值法識別驗證碼成功率不是100%，因此需要考慮到驗證碼識別錯誤，需要單擊圖片更換驗證碼重新識別，可以將上述代碼拆解成多個函數(shù)后，用如下循環(huán)框架試錯
while?True:
????try:
????????...
????????break
????except:
????????driver.find_element_by_id('valiCode').click()為了方便理解，代碼的書寫沒有以函數(shù)形式呈現(xiàn)，歡迎讀者自行嘗試修改！
小結(jié)
成功登錄后就可以獲得個人的cookies，接下來可以繼續(xù)用selenium進行瀏覽器自動化或者把cookies傳給requests，后面就能爬取需要的信息做分析或者實現(xiàn)一些自動化功能，但由于涉及到的爬蟲知識點比較多，我們會在后續(xù)的爬蟲專題文章中進行分享！
