第二十二節：scrapy爬蟲識別驗證碼（一）字母數字組合驗證碼識別

圖片驗證碼基本上是有數字和字母或者數字或者字母組成的字符串，然后通過一些干擾線的繪制而形成圖片驗證碼。

例如：知網的注冊就有圖片驗證碼

 

首先我們需要獲取驗證碼圖片，通過開發者工具我們可以得到驗證碼url鏈接

 

其次就是通過Pillow類庫和tesserocr進行識別，代碼如下：

# -*- coding:utf-8 -*-
import tesserocr
from PIL import Image
import requests

# 通過url鏈接獲取驗證碼圖片，並寫入本地文件夾里
def get_image(path,url):
    """
    :param path: 文件夾路徑
    :param url:  驗證碼url鏈接
    """
    respon = requests.get(url=url)      # 請求驗證碼url
    with open(path,"wb") as file:
        file.write(respon.content)      # 將驗證碼寫到本地


# 由於驗證碼圖片太小，需要對驗證碼圖片放大處理，以便識別
def reset_image_size(image_path):
    """
    :param image_path: 圖片所在的路徑
    :return:
    """
    image = Image.open(fp=image_path)   # 打開圖片
    pic_resize = 5                      # 設置圖片放大或者縮小倍數
    (x, y) = image.size                 # 獲取圖片的大小
    x_s = int(x * pic_resize)           # 放大5倍(可調)
    y_s = int(y * pic_resize)           # 放大5倍(可調)
    out = image.resize((x_s, y_s), Image.ANTIALIAS)     # ANTIALIAS表示高質量圖片
    out.save(image_path)


# 讀取驗證碼圖片文本
def read_image(image_path):
    """
    :param image_path: 驗證碼圖片路徑
    :return:
    """
    image = Image.open(fp=image_path)       # 打開驗證碼圖片
    image = image.convert('L')              # 將驗證碼圖片轉換為灰度圖(L表示灰度圖)
    threshold = 127                         # 設置灰度圖二值化閾值
    table = []
    for i in range(256):                    # 像素為256
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    image = image.point(table, '1')         # 二值化處理后的副本(1表示二值化)
    image.show()
    result = tesserocr.image_to_text(image) # 驗證碼圖片轉換為文本
    return result


# 驗證碼識別信息臟數據處理
def VerifInfo(result):
    """
    :param result: 驗證碼圖片通過初步識別后得到的臟數據
    :return:
    """
    verif_str = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ1234567890"
    verif_list = []
    for i in result:
        if i in verif_str:
            verif_list.append(i)
    return "".join(verif_list)



if __name__ == '__main__':
    img_path = "D:\photo\image"                                 # 文件夾目錄
    img_path = img_path + "\VerificationCode.png"               # 驗證碼圖片所在的目錄及名稱
    img_url = "http://my.cnki.net/elibregister/CheckCode.aspx"  # 驗證碼url
    get_image(img_path,img_url)                                 # 獲取驗證碼圖片
    reset_image_size(img_path)                                  # 調整驗證碼圖片大小
    result = read_image(img_path)                               # 讀取驗證碼圖片內容
    verif_info = VerifInfo(result)                              # 驗證碼內容數據處理
    verif_len  = len(verif_info)                                # 驗證碼識別長度
    if verif_len == 4 and verif_info:
        print(verif_info)
    else:
        pass

最后就是看看識別的效果吧。前者為原始驗證碼圖片，后者是經過二值化處理的圖片。

 

輸出的結果為：FZug

顯然使用tesserocr識別還是有誤差的，以后可以用深度學習的方式訓練處一個模型，可以提高識別效率，后期會跟進實現的。