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-8import requestsfrom hashlib import md5class Chaojiying_Client(object):def __init__(self, username, password, soft_id):self.username = usernamepassword = password.encode('utf8')self.password = md5(password).hexdigest()self.soft_id = soft_idself.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 96001chaojiying = 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 requestsimport 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 BeautifulSoupsoup = BeautifulSoup(content, 'lxml')# 获取__VIEWSTATEVIEWSTATE = soup.select('#__VIEWSTATE')[0].attrs.get('value')print('VIEWSTATE: ', VIEWSTATE)# 获取__VIEWSTATEGENERATORVIEWSTATEGENERATOR = 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.textprint(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
