爬虫遇到验证码？Python实战讲解弹窗处理和验证码识别！

前言

在我们写爬虫的过程中，目标网站常见的干扰手段就是设置验证码等，本就将基于Selenium实战讲解如何处理弹窗和验证码，爬取的目标网站为某仪器预约平台

可以看到登录所需的验证码构成比较简单，是彩色的标准数字配合简单的背景干扰****

因此这里的验证码识别不需要借助人工智能的手段，可直接利用二值法对图片处理后交给谷歌的识别引擎tesseract-OCR即可获得图中的数字。

注：selenium 和 tesseract 的配置读者可自行搜索，本文不做介绍)

Python实战

首先导入所需模块

import re
# 图片处理
from PIL import Image
# 文字识别
import pytesseract
# 浏览器自动化
from selenium import webdriver
import time
12345678

解决弹出框问题

先尝试打开示例网站

url = 'http://lims.gzzoc.com/client'
driver = webdriver.Chrome()
driver.get(url)
time.sleep(30)
1234

有趣的地方出现了，网站显示了一个我们前面没有看到的弹窗，简单说一下弹窗的知识点，初学者可以将弹出框简单分为alert和非alert

alert式弹出框

alert(message)方法用于显示带有一条指定消息和一个 OK 按钮的警告框confirm(message)方法用于显示一个带有指定消息和 OK 及取消按钮的对话框prompt(text,defaultText)方法用于显示可提示用户进行输入的对话框

看一下这个弹出框的js是怎么写的：

看起来似乎是alert式弹出框，那么直接用driver.switch_to.alert吗？先不急

非传统alert式弹出框的处理

弹出框位于div层，跟平常定位方法一样弹出框是嵌套的iframe层，需要切换iframe弹出框位于嵌套的handle，需要切换窗口

所以我们对这个弹出框进行元素审查

所以问题实际上很简单，直接定位按钮并点击即可

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("//div[@class='jconfirm-buttons']/button").click()
1234567

获取图片位置并截图

二值法处理验证码的简单思路如下：

切割截取验证码所在的图片转为灰度后二值法将有效信息转为黑，背景和干扰转为白色处理后的图片交给文字识别引擎输入返回的结果并提交

切割截取验证码的图片进一步思考解决策略：首先获取网页上图片的css属性，根据size和location算出图片的坐标；然后截屏；最后用这个坐标进一步去处理截屏即可(由于验证码js的特殊性，不能简单获取img的href后下载图片后读取识别，会导致前后不匹配)

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()
12345678910111213141516

正常情况下直接使用注释的四行代码即可，但不同的电脑不同的浏览器，缩放倍率存在差异，因此如果截取出的图存在偏差这需要考虑乘上倍率系数。最后可以再加减数值进行微调

可以看到图片这成功截取出来了！

验证码图片的进一步处理

这个阈值需要具体用Photoshop或者其他工具尝试，即找到一个像素阈值能够将灰度图片中真实数据和背景干扰分开，本例经测试阈值为205

img = image_obj.convert("L")  # 转灰度图
pixdata = img.load()
w, h = img.size
threshold = 205
# 遍历所有像素，大于阈值的为黑色
for y in range(h):
    for x in range(w):
        if pixdata[x, y] < threshold:
            pixdata[x, y] = 0
        else:
            pixdata[x, y] = 255
1234567891011

根据像素二值结果重新生成图片

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()
1234567891011121314151617181920212223

图像处理前后对比如下

文字识别

将处理后的图片就给谷歌的文字识别引擎就能完成识别

result = pytesseract.image_to_string(img)
# 可能存在异常符号，用正则提取其中的数字
regex = '\d+'
result = ''.join(re.findall(regex, result))
print(result)
12345

识别结果如下

提交账号密码、验证码等信息

在处理完验证码之后，现在我们就可以向网站提交账号密码、验证码等登陆所需信息

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')
# 最后点击确定
driver.find_element_by_xpath("//div[@class='form-group login-input'][3]").click()
12345

需要注意的是，二值法识别验证码成功率不是100%，因此需要考虑到验证码识别错误，需要单击图片更换验证码重新识别，可以将上述代码拆解成多个函数后，用如下循环框架试错

while True:
    try:
        ...
        break
    except:
        driver.find_element_by_id('valiCode').click()
123456

为了方便理解，代码的书写没有以函数形式呈现，欢迎读者自行尝试修改！

小结

成功登录后就可以获得个人的cookies，接下来可以继续用selenium进行浏览器自动化或者把cookies传给requests，后面就能爬取需要的信息做分析或者实现一些自动化功能，但由于涉及到的爬虫知识点比较多，我们会在后续的爬虫专题文章中进行分享！

源码获取加群：1136192749