尝试对验证码机器识别进行处理:

许多流行的内容管理系统即使加了验证码模块,其众所周知的注册页面也经常会遭到网络 机器人的垃圾注册。

那么,这些网络机器人究,竟是怎么做的呢?既然我们已经,可以成功地识别出保存在电脑上 的验证码了,那么如何才能实现一个全能的网络机器人呢?

大多数网站生成的验证码图片都具有以下属性。

  • 它们是服务器端的程序动态生成的图片。验证码图片的 src 属性可能和普通图片不太一 样,比如
    src
    1
    2
    3
    * 图片的答案存储在服务器端的数据库里。
    很多验证码都有时间限制,如果你太长时间没解决就会失效。
    * 常用的处理方法就是,首先把验证码图片下载到硬盘里,清理干净,然后用 Tesseract 处理 图片,最后返回符合网站要求的识别结果。

#!/usr/bin/env python

-- coding:utf-8 --

import requests
import time
import pytesseract
from PIL import Image
from bs4 import BeautifulSoup

def captcha(data):
with open(‘captcha.jpg’,’wb’) as fp:
fp.write(data)
time.sleep(1)
image = Image.open(“captcha.jpg”)
text = pytesseract.image_to_string(image)
print “机器识别后的验证码为:” + text
command = raw_input(“请输入Y表示同意使用,按其他键自行重新输入:”)
if (command == “Y” or command == “y”):
return text
else:
return raw_input(‘输入验证码:’)

def zhihuLogin(username,password):

# 构建一个保存Cookie值的session对象
sessiona = requests.Session()
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:47.0) Gecko/20100101 Firefox/47.0'}

# 先获取页面信息,找到需要POST的数据(并且已记录当前页面的Cookie)
html = sessiona.get('https://www.zhihu.com/#signin', headers=headers).content

# 找到 name 属性值为 _xsrf 的input标签,取出value里的值
_xsrf = BeautifulSoup(html ,'lxml').find('input', attrs={'name':'_xsrf'}).get('value')

# 取出验证码,r后面的值是Unix时间戳,time.time()
captcha_url = 'https://www.zhihu.com/captcha.gif?r=%d&type=login' % (time.time() * 1000)
response = sessiona.get(captcha_url, headers = headers)


data = {
    "_xsrf":_xsrf,
    "email":username,
    "password":password,
    "remember_me":True,
    "captcha": captcha(response.content)
}

response = sessiona.post('https://www.zhihu.com/login/email', data = data, headers=headers)
print response.text

response = sessiona.get('https://www.zhihu.com/people/maozhaojun/activities', headers=headers)
print response.text

if name == “main“:
zhihuLogin('xxxx@qq.com‘,’ALAxxxxIME’)

1
2
3
4
5
6
7

# 尝试处理中文字符
如果手头上有中文的训练数据,也可以尝试对中文进行识别。

命令:```tesseract --list-langs```可以查看当前支持的语言,```chi_sim```表示支持简体中文。
![enter image description here](https://s2.ax1x.com/2019/05/17/ELEoWj.jpg)
那么在使用时候,可以指定某个语言来进行识别,如:

tesseract -l chi_sim paixu.png paixu

1
2
![enter image description here](https://s2.ax1x.com/2019/05/17/ELEbyq.jpg)
表现在程序里,则可以这么写:

#!/usr/bin/env python

-- coding:utf-8 --

from PIL import Image
import subprocess

def cleanFile(filePath)
image = Image.open(filePath)

# 调用系统的tesseract命令, 对图片进行OCR中文识别
subprocess.call(["tesseract", "-l", "chi_sim", filePath, "paixu"])

# 打开文件读取结果
with open("paixu.txt", 'r') as f:
    print(f.read())

if name == “main“:
cleanFile(“paixu.png”)
`
结果如下
enter image description here

× 请我吃糖~
打赏二维码