爬虫 - 验证码处理方案

1、手动输入(input)

仅限于输入一次就可持续使用的情况

2、图像识别引擎解析（不推荐）

使用光学识别引擎处理图片中的数据，目前常用于图片数据提取，较少用于验证码处理

（1）什么是图片识别引擎？

图片识别引擎：OCR（Optical Character Recognition）是指使用扫描仪或数码相机对文本资料进行扫描成图像文件，然后对图像文件进行分析处理，自动识别获取文字信息及版面信息的软件。

（2）Tesseract OCR

Tesseract：一款由HP实验室开发，由Google维护的开源OCR引擎，特点是开源，免费，支持多语言，多平台。
github项目地址：https://github.com/tesseract-ocr/tesseract
最新官方文档地址：https://tesseract-ocr.github.io/

• 引擎的安装

• mac环境下的安装

• linux环境下的安装

• windows环境下的安装
  可通过exe安装包安装，下载地址：https://tesseract-ocr.github.io/tessdoc/Installation.html，安装完成后需要将Tesseract 执行文件的目录加入到PATH中，方便后续调用
  

brew install --with-training-tools tesseract
sudo apt-get install tesseract-ocr

• Python库的安装

# Pillow模块：打开图片文件
pip/pip3 install pillow

# pytesseract模块：从图片中解析数据
pip/pip3 install pytesseract

• 图片识别引擎的使用

from pillow import Image
import pytesseract

im = Image.open('图片文件路径')

result = pytesseract.image_to_string(im)

print(result)

• 其他ocr平台
  微软Azure 图像识别：https://azure.microsoft.com/zh-cn/services/cognitive-services/computer-vision/
  有道智云文字识别：https://ai.youdao.com/product-ocr-print.s
  阿里云图文识别：https://ai.aliyun.com/ocr?spm=5176.22414175.J_3207526240.53.362f2985kmYJXN
  腾讯OCR文字识别：https://cloud.tencent.com/product/ocr-catalog

3、打码平台（推荐）

分免费和收费的，由于打码平台较多，且有些不太稳定，所以就不一一列举了，可自行查找&尝试

• 云码HTTP接口文档：https://www.jfbym.com/demo/

4、常见验证码的种类

（1）url地址不变，验证码不变

识别技巧：只需要获取验证码的地址，然后通过打码平台识别即可

（2）url地址不变，验证码变化

实现方式：通过cookie来实现
识别技巧：提交验证码的到时候保证cookie的一致性，对此可使用requests.session来解决