python 验证码识别代码（Python爬虫过程中验证码识别的三种解决方案）

小君 2023-05-04 21:30:28 387

python 验证码识别代码（Python爬虫过程中验证码识别的三种解决方案）brewinstalltesseract 2.此外，还需安装Tesseract，它是一个开源的OCR引擎，能识别100多种语言。 1.安装方法pipinstallpytesseract

前言

在Python爬虫过程中，有些网站需要验证码通过后方可进入网页，目的很简单，就是区分是人阅读访问还是机器爬虫。验证码问题看似简单，想做到准确率很高，也是一件不容易的事情。为了更好学习爬虫，后续推文中将会更多介绍爬虫问题的解决方案。本篇推文将分享三种解决验证码的方法，如果你有比较好的方案，欢迎留言区讨论交流，共同进步。另外小编也给大家准备了一些爬虫的学习资料，免费分享，在最下面！

1.pytesseract

很多人学习python，不知道从何学起。很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。很多已经做案例的人，却不知道如何去学习更加高深的知识。那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！QQ群：1097524789

pytesseract是google做的ocr库，可以识别图片中的文字，一般用在爬虫登录时验证码的识别，在安装pytesseract环境过程中会遇到各种坑的事情，如果你需要安装，可以按照如下流程去做，避免踩坑。下面以 mac为例。

1.安装方法

pipinstallpytesseract

2.此外，还需安装Tesseract，它是一个开源的OCR引擎，能识别100多种语言。

brewinstalltesseract

3.查看安装位置为

brewlisttesseract /usr/local/Cellar/tesseract/4.1.1/bin/tesseract /usr/local/Cellar/tesseract/4.1.1/include/tesseract/(19files) /usr/local/Cellar/tesseract/4.1.1/lib/libtesseract.4.dylib /usr/local/Cellar/tesseract/4.1.1/lib/pkgconfig/tesseract.pc /usr/local/Cellar/tesseract/4.1.1/lib/(2otherfiles) /usr/local/Cellar/tesseract/4.1.1/share/tessdata/(35files)

4.配置环境变量

exportTESSDATA_PREFIX=/usr/local/Cellar/tesseract/4.1.1/share/tessdata exportPATH=$PATH:$TESSDATA_PREFIX

5.如何出现如下报错

'TesseractNotFoundError:tesseractisnotinstalledorit'snotinyourPATH'

6.修改pytesseract.py的cmd

'tesseract_cmd='/usr/local/Cellar/tesseract/4.1.1/bin/tesseract''

先验证一个简单的验证码

代码如下

fromPILimportImage ImageFilter importpytesseract path='/Users/****/***.jpg' captcha=Image.open(path) result=pytesseract.image_to_string(captcha) print(result)

结果输出

51188

再换一张试一下

python 验证码识别代码（Python爬虫过程中验证码识别的三种解决方案）(1)

输入代码后，结果错误输出为

1364

由此看出，pytesseract对于简单方法有效，并不像有些人写的这么好，当然可以通过灰度、二值等方法，效果并不是很理想，稍微复杂的需要寻找其他解决方案，如果解决上述问题呢，我们看下面的解决方案。

2.百度OCR接口

调用百度OCR接口(代码示例)

#encoding:utf-8 importrequests importbase64 ''' 通用文字识别（高精度版） ''' request_url="https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic" #二进制方式打开图片文件 f=open('[本地文件]' 'rb') img=base64.b64encode(f.read()) params={"image":img} access_token='[调用鉴权接口获取的token]' request_url=request_url "?access_token=" access_token headers={'content-type':'application/x-www-form-urlencoded'} response=requests.post(request_url data=params headers=headers) ifresponse: print(response.json())

上述方案没解决的问题，调用此方法试一下，可以顺利解决。

7364

那么对于更复杂的验证码呢？

python 验证码识别代码（Python爬虫过程中验证码识别的三种解决方案）(2)

首先直接调用结果输出

Ygax6-

结果把干扰线识别出来Y和-，可以看出百度OCR接口对复杂验证码能识别，但是对干扰线的问题，无法解决。如何解决上述问题呢？对于复杂的验证码，我们是不能直接调用，我们先做一些预处理：灰度、二值化等。

python 验证码识别代码（Python爬虫过程中验证码识别的三种解决方案）(3)

再次调用接口

gax6

上述问题得到了解决。对于超级变态的验证码如何解决呢？几个0？几个O？下面提供一种深度学习解决方案。

python 验证码识别代码（Python爬虫过程中验证码识别的三种解决方案）(4)

3.深度学习

深度学习验证码识别可能并不适合所有人，原因很简单，首先不是每个人都有算法基础。其次小编亲自测试来一下，cpu资源的消耗也非常高，如果你有云端资源可以跑一下。深度学习的验证码识别，我这边介绍一下解决方案的思路，目前企业级的验证识别更为复杂。

1.搭建基于keras框架的深度学习模型

fromkeras.modelsimport* fromkeras.layersimport* input_tensor=Input((height width 3)) x=input_tensor foriinrange(4): x=Convolution2D(32*2**i 3 3 activation='relu')(x) x=Convolution2D(32*2**i 3 3 activation='relu')(x) x=MaxPooling2D((2 2))(x) x=Flatten()(x) x=Dropout(0.25)(x) x=[Dense(n_class activation='softmax' name='c%d'%(i 1))(x)foriinrange(4)] model=Model(input=input_tensor output=x) model.compile(loss='categorical_crossentropy' optimizer='adadelta' metrics=['accuracy'])

2.模型训练

model.fit_generator(gen() samples_per_epoch=51200 nb_epoch=5 nb_worker=2 pickle_safe=True validation_data=gen() nb_val_samples=1280)

3.测试模型

X y=next(gen(1)) y_pred=model.predict(X) plt.title('real:%s\npred:%s'%(decode(y) decode(y_pred))) plt.imshow(X[0] cmap='gray')

4.结果展示

python 验证码识别代码（Python爬虫过程中验证码识别的三种解决方案）(5)