【Python从入门到进阶】43.验证码识别工具结合requests的使用

接上篇《42、使用requests的Cookie登录古诗文网站》
上一篇我们介绍了如何利用requests的Cookie登录古诗文网。本篇我们来学习如何使用验证码识别工具进行登录验证的自动识别。

一、图片验证码识别过程及手段

上一篇我们通过requests的session方法，带着原网页登录后的Cookie进入个人中心，访问到了登录后的界面数据。但是，我们在登录的过程中，对于验证码的识别，是先下载相关图片然后人工输入进行校验的，有没有能够通过程序自动识别验证码的手段呢？答案是肯定有。

1、验证码识别过程

图片验证码是目前最常用的一种，想要对验证码进行精准识别，至少要经过三个过程，分别为图片清理、字符切分、字符识别。

（1）图片清理

图片清理是为接下来的机器学习或模板匹配阶段做准备的，指通过灰度化、二值化、干扰点清理等过程，得到比较干净的图片数据，如以下样例：

紧接着需要进行“彩色去噪”和“灰度化”、“二值化”、“底色统一”以及“干扰点清理”，这里我用PPT简单总结了一下这几个步骤：

（2）字符切分

该阶段对前期预处理后的图片进行切割处理，定位和分离出整幅图片中的每个孤立的字符主体部分。主要采用X轴和Y轴投影的方法，即统计对应坐标上黑色像素点的个数。例如下面的字符图片：

会被切分为“b”、“w”、“t”和“p”四个字符图片。

（3）字符识别

通过处理、切分后的图片，已经可以清晰的辨别要识别的字符，此时我们需要使用OCR识别等手段，进行字符的识别。具体详见第2节的介绍。

2、验证码识别手段

常见的图片验证码有以下几种识别手段：

（1）OCR识别

开源的OCR识别引擎Tesseract（基于C++语言，在Python中被封装为Pytesseract），初期由HP实验室研发，后来贡献给了开源软件业。

该手段的的优点是：开发量少；比较通用，适合于各种变形较少的验证码；对于扭曲不严重的字母和数字识别率高。
缺点是：对于扭曲的字母和数字识别率大大降低；对于字符间有粘连的验证码几乎难以正确识别；很难针对特定网站的验证码做定制开发。

（2）模板库匹配

需要建立字符模板库，进行字符匹配。该方法需要针对目标网站收集大量的验证码；然后根据上一章节的方法，进行图片清理；最后按照固定的长宽值切分出字符模板图，保存文件名带上对应字符的标记，例如：

然后把目标验证码图片按字符个数切分，使用汉明距离或编辑距离定义相似度，并用KNN方法得到K个最相似的字符，最后从K个字符中选取出现次数最多的那个作为匹配结果。
这种方法主要针对某个特定网站，不具备普适性。

（3）神经网络

以上验证码识别都依赖于字符切分，切分的好坏几乎直接决定识别的准确程度。而对于有字符粘连的图片，往往识别率就会低很多。目前验证码识别最先进的是谷歌在识别“街景”图像中门牌号码中使用的一套的算法。该算法将定位、分割和识别等几个步骤统一起来，采用一种“深度卷积神经网络”（deep convolutional neural network）方法进行识别，准确率可以达到99%以上。

谷歌拿自有的reCAPTCHA验证码做了测试，结果发现，对于难度最大的reCAPTCHA验证码，新算法的准确率都达到99.8%，这可能也好于大多数人为验证。

二、第三方验证码识别工具

目前市面上已经有很多商用的验证码识别软件和工具，为了提高我们的编程效率，我们没有必要亲自去实现验证码的整个识别过程，直接调用相关的程序包即可。
本篇我们介绍的验证码识别工具为“超级鹰”的验证码识别平台（官网http://www.chaojiying.com/）：

首先我们点击首页右上角的登录按钮，进入登录页面，然后点击注册账号进行账号的开通：

注册完毕后，登录账号，进入个人中心，点击“开发文档”：

然后点击“Python语言Demo下载”：

下载完毕解压后，可以看到验证码识别的Python样例代码：

代码如下：

#!/usr/bin/env python
# coding:utf-8

import requests
from hashlib import md5

class Chaojiying_Client(object):

    def __init__(self, username, password, soft_id):
        self.username = username
        password =  password.encode('utf8')
        self.password = md5(password).hexdigest()
        self.soft_id = soft_id
        self.base_params = {
            'user': self.username,
            'pass2': self.password,
            'softid': self.soft_id,
        }
        self.headers = {
            'Connection': 'Keep-Alive',
            'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
        }

    def PostPic(self, im, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            'codetype': codetype,
        }
        params.update(self.base_params)
        files = {'userfile': ('ccc.jpg', im)}
        r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files, headers=self.headers)
        return r.json()

    def PostPic_base64(self, base64_str, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            'codetype': codetype,
            'file_base64':base64_str
        }
        params.update(self.base_params)
        r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, headers=self.headers)
        return r.json()

    def ReportError(self, im_id):
        """
        im_id:报错题目的图片ID
        """
        params = {
            'id': im_id,
        }
        params.update(self.base_params)
        r = requests.post('http://upload.chaojiying.net/Upload/ReportError.php', data=params, headers=self.headers)
        return r.json()


if __name__ == '__main__':
    #用户中心>>软件ID 生成一个替换 96001
    chaojiying = Chaojiying_Client('超级鹰用户名', '超级鹰用户名的密码', '96001')
    #本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
    im = open('a.jpg', 'rb').read()
    #1902 验证码类型  官方网站>>价格体系 3.4+版 print 后要加() 
    print chaojiying.PostPic(im, 1902)
    #print chaojiying.PostPic(base64_str, 1902)  #此处为传入 base64代码

这里我们按照这段代码进行图片识别即可。里面需要我们输入超级鹰的账号和密码，以及一个软件ID。软件ID的获取方式如下：
首先我们回到超级鹰的用户中心，拉倒最下面，点击左下角的“软件ID”菜单，然后点击生成一个软件ID：

然后输入一个软件名即可，其他不用动，直接点提交：

然后我们就可以看到生成的软件ID：

我们在代码的第三个参数里填写这个ID即可。
然后还要注意一点，如果我们使用的是Python的3.4+版 print 后要加()，不然运行会报错：

我们把代码和图片a.jpg放入我们的Python工作空间，填写好上面的所有参数，执行一下代码，如果咱们第一次用，会发现报错了，显示“无可用题分”：

这里是因为需要进行充值，我们去用户中心的下面“购买题分”，充几块钱就行了：

这里是他们官网的收费方式，大家自行决定（我充值了5块钱，有5000题分，基本上可以识别上百次4字验证码了）：

我们充值了几块钱后，再去执行代码，得到结果：

可以看到识别出的a.jpg的内容，这里我拿到的a.jpg确实是“7261”：

这个返回对象中的pic_str字段，就是识别结果，可以在调用代码的时候，加上“.get('pic_str')”直接获取结果：

code_name = chaojiying.PostPic(im, 1902).get('pic_str')

三、优化古诗文网登录代码

我们把上一章节的古诗文代码，编写一个V2.0版本，将其中的验证码手工输入的部分，修改为使用超级鹰识别代码进行识别的方法：

# _*_ coding : utf-8 _*_
# @Time : 2023-11-19 15:59
# @Author : 光仔December
# @File : requests_cookie登录古诗文网
# @Project : Python基础

import requests
import chaojiying

# 古诗文网登录页面的URL地址
url = 'https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.aspx'

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36'
}

# 获取网络源代码
response = requests.get(url=url, headers=headers)
content = response.text

# 使用BeautifulSoup来解析网页源码，获取__VIEWSTATE和__VIEWSTATEGENERATOR参数
from bs4 import BeautifulSoup

soup = BeautifulSoup(content, 'lxml')

# 获取__VIEWSTATE
VIEWSTATE = soup.select('#__VIEWSTATE')[0].attrs.get('value')
print('VIEWSTATE: ', VIEWSTATE)

# 获取__VIEWSTATEGENERATOR
VIEWSTATEGENERATOR = soup.select('#__VIEWSTATEGENERATOR')[0].attrs.get('value')
print('VIEWSTATEGENERATOR: ', VIEWSTATEGENERATOR)

# 获取验证码图片
code = soup.select('#imgCode')[0].attrs.get('src')
code_url = 'https://so.gushiwen.cn' + code

# import urllib.request
# urllib.request.urlretrieve(url=code_url,filename='code.jpg')
session = requests.session()
# 验证码url的内容
response_code = session.get(code_url)
# 图片下载要使用二进制数据
content_code = response_code.content
# wb模式就是将二进制数据写入文件
with open('code.jpg', 'wb') as fp:
    fp.write(content_code)

# 获取验证码图片后，使用超级鹰验证码识别工具，进行验证码自动识别
chaojiying = chaojiying.Chaojiying_Client('超级鹰用户名', '超级鹰用户名的密码', '超级鹰软件ID')
im = open('code.jpg', 'rb').read()
code_name = chaojiying.PostPic(im, 1902).get('pic_str')

# 点击登录
url_post = 'https://so.gushiwen.cn/user/login.aspx?from=http%3a%2f%2fso.gushiwen.cn%2fuser%2fcollect.aspx'

data_post = {
    '__VIEWSTATE': VIEWSTATE,
    '__VIEWSTATEGENERATOR': VIEWSTATEGENERATOR,
    'from': 'http://so.gushiwen.cn/user/collect.aspx',
    'email': '古诗文网账号',
    'pwd': '古诗文网密码',
    'code': code_name,
    'denglu': '登录'
}

# 获取网络源代码（这里能用requests对象，要用验证码的session对象，保持一个Cookie环境）
response_post = session.post(url=url_post, headers=headers, data=data_post)
content_post = response_post.text

print(content_post)

效果：

可以看到，这次不需要我们进行人工干预，直接就识别到了验证码进行自动登录，获取到古诗文网登录后个人中心的信息。

参考：尚硅谷Python爬虫教程小白零基础速通
杨杰授权网易云社区《常用验证码的识别方法》
转载请注明出处：https://guangzai.blog.csdn.net/article/details/134762604