目前,很多网站都采取了各种各样的反爬措施,其中之一便是使用验证码.随着技术的发展,验证码却来越复杂,花样越来越多,爬虫的工作也变得愈加复杂,本节将介绍图形验证码的识别.
图形验证码
我们首先将识别最简单的验证码,图形验证码.
目标
我们将以知网为例讲解使用 OCR 技术识别图形验证码.
准备
需要安装 tesseract 和 tesserocr 库,请看第一节和第二节内容.
获取验证码
我们将从这里获取验证码:
然后点击右键,将验证码图片保存下来.
测试
我们新建一个文件 rec_simple_vcode.py 文件,然后将上面保存的图片和此文件放在同一个路径下:
我们创建了一个 Image 对象,调用了 tesserocr 库的 image_to_text()方法,传入该 image 即可识别.
另外 tesserocr 还可以使用 file_to_text()方法直接将图片转换为字符串.
处理
我们换一个验证码,将其命名为 code2.png.
重新用下面的代码识别:
发现其输出结果为:
识别错误,识别出来的字符串和实际结果有偏差,这是因为验证码内多余的线条干扰了图片的识别.
对于这种情况,我们需要进行额外的处理,比如灰度化、二值化等。
我们可以使用 Image.convert(L)将图片灰度化。
二值化:
还可以设置二值化的阈值.默认阈值为 127,我们先将图片灰度化,然后指定阈值二值化.
看看这么处理后的结果:
我们处理过后的图片黑白分明,里面干扰的线条已经全部被除去,这是重新识别验证码:
识别结果如下: