验证码识别

图象识别

Python的强大，在于它有非常多的第三方库。对于验证码识别，Python也已经有了现成的库来供我们使用了。开源的OCR库pytesseract配合tesseract，可以用来将图片中的文字转化为文本。

不过这种方式我们在爬虫中用的并不多。因为现在大部分的验证码都加上了干扰的纹理，已经很少能用单机版的图片识别方式来识别了。所以我们这里仅仅使用简单地图片来进行介绍。如果有一天你的运气足够好，遇到了非常工整的验证码，那么你可以使用这个办法来试一试。

安装 tesseract

(1) Windows

请在这里下载安装包：https://github.com/tesseract-ocr/tesseract/wiki/Downloads

在 3rd party Windows exe's/installer 下面可以找到 exe 安装包。

(2) Mac

使用 homebrew 安装：

$ brew install tesseract

(3) Linux

使用 apt-get 安装:

$ sudo apt-get install tesseract-orc

更多的安装帮助信息，可以参阅：https://github.com/tesseract-ocr/tesseract/wiki

安装 Python库

要使用 tesseract 来做图像识别，我们还需要安装两个库：

$ pip install Pillow

$ pip install pytesseract

tesseract的使用

tesseract的使用非常简单，流程如下：

• 导入相关的第三方库
• 打开图片
• 识别

我们可以通过以下代码来实现最简单的图片识别：

import pytesseract

from PIL import Image

image = Image.open('1234.png')

code = pytesseract.image_to_string(image)

print(code)

如果需要进行操作请保存下面图片：

测试结果如下：

代码：

import pytesseract

from PIL import Image

image = Image.open('1234.png')

code = pytesseract.image_to_string(image)

print(code)

 

打码网站的介绍

现在还有一种在线验证码识别的网站。他们雇佣了很多失业者和残疾人来人肉识别验证码，一般十个验证码一分钱左右。我们可以使用这种网站提供的接口来帮助我们识别验证码。这种方式理论上可以识别任何使用输入方式来验证的验证码。

这种打码网站的流程一般是这样的：

• 将验证码上传到网站服务器
• 网站服务器将验证码分发给打码工人
• 打码工人肉眼识别验证码并上传结果
• 网站将结果返回给我们

整个流程走完，在网速良好的白天一般在3-4秒钟，在晚上大概8-10秒钟。

使用在线打码

大家在百度或者谷歌上面搜索：“验证码在线识别”，就可以找到很多提供在线打码的网站。但是由于一般这种打码网站是需要交费才能使用的，所以请一定要注意财产安全！

在这堂课里面，我使用一个叫做云打码的网站来进行测试。网站地址为：http://www.yundama.com/。注册账号以后，需要交费购买“题分”才能正常使用。大家充1元钱就可以了。千万别多充，因为这个网站看起来快要倒闭了，很多文档都没有更新，他们给出的API也有些问题。

这个网站虽然提供了各种语言的SDK，但是版本都比较旧了，所以我推荐大家使用他的HTTP接口：http://www.yundama.com/download/YDMHttp.html

这个页面上给出了上传的地址。大家不要去看它提供的“PythonHTTP调用示例”，因为这个示例有问题。

经过我的研究，它的HTTP接口的正确使用步骤如下：

• 使用POST方式上传图片，并接收返回信息。上传的网址为：http://api.yundama.com/api.php?method=upload 上传参数请看下面的示例。
• 运气和网速足够好的时候，立刻就可以从返回的信息中得到验证码。如果返回的数据没有验证码，转步骤3.
• 获取cid, 并使用GET方式反复访问http://api.yundama.com/api.php?cid=在这里输入你获取到的cid&method=result 直到获取到验证码为止

我这里给出一个正确的使用方式的代码片段：

captcha_username = 'slzcc' #打码网站用户名

captcha_password = '1234567'  #打码网站密码

captcha_appid = 1

captcha_appkey = '22cc5376925e9387a23cf797cb9ba745'

captcha_codetype = '1004'

captcha_url = 'http://api.yundama.com/api.php?method=upload'

captcha_result_url = 'http://api.yundama.com/api.php?cid={}&method=result'

filename = '1.png'

timeout = 15

 

data = {'method': 'upload', 'username': captcha_username, 'password': captcha_password, 'appid': captcha_appid, 'appkey': captcha_appkey, 'codetype': captcha_codetype, 'timeout': '60'}

f = open(filename, 'rb')

file = {'file': f}

response = requests.post(captcha_url, data, files=file).text

f.close()

response_dict = json.loads(response)

'''如果验证码比较简单，或者是白天，这里直接就可以拿到结果'''

result = response_dict['text']

 

'''如果验证码比较难以识别或者是深夜，需要等待网站的返回结果'''

if not result:

  cid = response_dict['cid']

  while timeout > 0:

      response = requests.get(captcha_result_url.format(cid)).text

      response_dict = json.loads(response)

      print(response_dict, '——还剩:{}秒...'.format(timeout))

      captcha = response_dict['text']

      if response_dict['text']:

          print('验证码是: {}'.format(captcha))

          break

      time.sleep(1)

      timeout -= 1