Python 破解验证码.zip

<div id="article_content" class="article_content clearfix"> <link rel="stylesheet" href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/editerView/ck_htmledit_views-1a85854398.css"> <div id="content_views" class="htmledit_views"> <h3><a name="t0"></a>前言</h3> <p>写爬虫有一个绕不过去的问题，那就是验证码，比如像某乎，如果不先登陆，连里面的内容数据都爬不到，而验证码就是网站进行发爬虫的一种措施，随着技术的发展，验证码越来越复杂，爬虫的工作越来越艰苦，所以这次就来讲解，怎么来识别验证码；（听上去口气很大的感觉）</p> <p><img alt="" class="has" src="https://img-blog.csdnimg.cn/img_convert/44d535f281c57a741e9330dcacaa07ff.png"></p> <p></p> <p>先来看看，目前遇到的验证码种类有哪些？</p> <p><strong>1）图形验证码</strong><br> 图形验证码应该是最简单的一种验证码，这种验证码是最早出现，也是目前最常见的，一般组成规则是4个字母或数字或混合组成;</p> <p><img alt="" class="has" src="https://img-blog.csdnimg.cn/img_convert/2a8a069ee37f25df4a9b87e01231cce5.png"></p> <p></p> <p><strong>2）滑动验证码</strong></p> <p><img alt="" class="has" src="https://img-blog.csdnimg.cn/img_convert/4af5e22fa91ab42ea5a05d6e14f56a40.png"></p> <p></p> <p><strong>3）点触验证码</strong></p> <p><img alt="" class="has" src="https://img-blog.csdnimg.cn/img_convert/7691d9344fb4a7b975960ff62f833e3d.png"></p> <p></p> <p></p> <p><img alt="" class="has" src="https://img-blog.csdnimg.cn/img_convert/e4ed6065ea51bf2cdaccdd18e3d0398f.png"></p> <p></p> <p></p> <p>Ok,上面这3种验证码方式，应该是目前PC上比较常见的验证码种类的，当然手机app上还会有手势验证，宫格验证，语音验证等等，这里就不介绍，主要针对上面常见的3种介绍；</p> <h3><a name="t1"></a>1 图形验证码</h3> <p>某乎的验证码有2种，一种是图形验证码，一种是点触验证码，经过测试发现，一开始是显示图形验证码，但当登陆退出次数逐渐增多，就会变成点触验证码，这种验证码的切换机制，也算是防爬虫的一种手段，闲话不多说，先喵喵：</p> <p>某乎链接:<a href="https://www.zhihu.com/signup?next=%2F" title="知乎 - 有问题，就会有答案">知乎 - 有问题，就会有答案</a><br> 打开后默认是在注册页面，点击下登陆按钮，如果还是没有验证码，刷新几次网页就行了；</p> <p><img alt="" class="has" src="https://img-blog.csdnimg.cn/img_convert/a63e93eec1eb4fe4df63d43602c340ae.png"></p> <p></p> <p>下面这种，下2篇文章会介绍；</p> <p><img alt="" class="has" src="https://img-blog.csdnimg.cn/img_convert/f3986accedaccc1e7f3bd40caeef5779.png"></p> <p></p> <h3><a name="t2"></a>2 信息介绍</h3> <p>识别图形验证码需要安装<strong>tesserocr</strong>这个库，下面介绍下tesserocr；<br> tesserocr是<a href="https://so.csdn.net/so/search?from=pc_blog_highlight&amp;q=Python" target="_blank" class="hl hl-1">Python</a>的一个OCR识别库，但其实是对tesseract做了一层Python Api的封装，<br><strong>核心还是tesseract</strong>，所以在安装tesserocr之前，需要先安装tesseract;</p> <p><strong>等下，懵逼中，tesserocr这个能看明白，是一个库，但OCR是什么？tesseract又是什么？</strong></p> <p><strong>OCR</strong><br> OCR,全称叫 Optical Character Recognition，中文翻译叫光学字符识别，是指通过扫描字符，通过其形状将其翻译成电子文本的过程；</p> <p>举例:<br> 当有一个图形验证码，先使用OCR技术将其转化成电子文本，然后爬虫将识别的结果提交到服务器，便达到自动识别验证码的过程；</p> <p><strong>tesseract</strong><br> tesseract是google开源的OCR</p> <p>OK,貌似对概念有所理解了，还有个疑问，之前有在图形识别领域，还有个opencv的玩意，那这两者有什么区别？<br><strong>opencv专注机器视觉</strong><br><strong>tesseract专注字符识别</strong></p> <p>所以从领域来说，opencv更广，而图形验证码，opencv也可以做，但杀鸡焉用牛刀~</p> <h3><a name="t3"></a>3 环境准备</h3> <p><strong>windows下的安装</strong></p> <p>在Windows下，要先下载tesseract，它为tesserocr提供了支持；<br> tesseract下载地址：<a href="https://digi.bib.uni-mannheim.de/tesseract/" title="Index of /tesseract">Index of /tesseract</a><br> 打开后，可以看到各种exe的列表，可以随便挑选;<br> 其中文件名中带有dev的为开发版本，不带dev则为稳定版本，例如jb是下载 tesseract-ocr-setup-3.05.01.exe；</p> <p><img alt="" class="has" src="https://img-blog.csdnimg.cn/img_convert/dacab00e5d5e31973a82ab903f2f63d7.png"></p> <p></p> <p></p> <p>下载后双击，一路点击，直到出现下面这个页面</p> <p><img alt="" class="has" src="https://img-blog.csdnimg.cn/img_convert/d34432b72710f857d63d70efed14253e.png"></p> <p></p> <p>这里需要勾选红框里的Additional language data(download)，这个选项是安装OCR识别支持的语言包，这样OCR就可以识别多国语言，然后再一路点击NEXT即可，因为要下载语言包，所以需要点时间，大概10-20分钟左右，跟网速有关，如果不需要支持多国语言的话，也可以不勾选，自由选择</p> <p><br><strong>需要说明：默认包含英文字库</strong></p> <p><br> 如果，觉得一次下载那么多语言占空间，又或者觉得网速慢，也可以选择单独安装中文字库;<br> 字库下载地址：<a href="https://github.com/tesseract-ocr/tessdata" title="https://github.com/tesseract-ocr/tessdata">https://github.com/tesseract-ocr/tessdata</a><br> 打开后，直接搜索chi_sim.traineddata，这个代表的就是中文，下载下来;<br> 然后找到刚刚tesseract安装目录，里面会有一个叫tessdata的目录，直接把刚下载的语言包放到这个目录下即可；</p> <p><img alt="" class="has" src="https://img-blog.csdnimg.cn/img_convert/c578f838b03a26763fe61cd517a5b778.png"></p> <p></p> <p>如何验证tesseract是否安装成功？直接cmd下输入tesseract即可；<br> 成功会直接显示信息;</p> <p><img alt="" class="has" src="https://img-blog.csdnimg.cn/img_convert/b88e28ac3c7cc98e741d87f6f21cec15.png"></p> <p></p> <p>如果提示'tesseract' 不是内部或外部命令，则是因为没有配置环境变量，手动把tesseract根目录配置到path参数下即可，这块不详细说明；</p> <p>到此为止，tesseract安装成功啦~</p> <p>接下来就<strong>安装tesserocr</strong>，直接pip命令即可：</p> <pre class="hljs undefined" name="code"><code class="hljs language-undefined">pip3 install tesserocr install </code><div class="hljs-button {2}" data-title="复制（为作者贡献原力分）" data-report-click="{&quot;spm&quot;:&quot;1001.2101.3001.4259&quot;}" onclick="hljs.copyCode(event)"></div></pre> <p>但jb在安装的时候，直接报错：</p> <p><img alt="" class="has" src="https://img-blog.csdnimg.cn/img_convert/3100db8c65517c4bc7bf0f1f10a59a8e.png"></p> <p></p> <p>试过很多种方式，就算使用conda install tesserocr,也一样报错。</p> <p><img alt="" class="has" src="https://img-blog.csdnimg.cn/img_convert/08198fdcaff7e4ce6375716354d4096f.png"></p> <p></p> <p>经历千辛万苦，终于找到一条可行的命令：</p> <pre class="hljs undefined" name="code"><code class="hljs language-r">conda install <span class="hljs-operator">-</span><span class="hljs-built_in">c</span> simonflueckiger tesserocr </code><div class="hljs-button {2}" data-title="复制（为作者贡献原力分）" data-report-click="{&quot;spm&quot;:&quot;1001.2101.3001.4259&quot;}" onclick="h