精选文章 爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别

爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别

作者:CDA·数据分析师 时间: 2020-07-28 11:16:22
CDA·数据分析师 2020-07-28 11:16:22

文章来源: 早起Python微信公众号

作者:陈熹

 

前言

在我们写爬虫的过程中,目标网站常见的干扰手段就是设置验证码等,本就将基于Selenium实战讲解如何处理弹窗和验证码,爬取的目标网站为某仪器预约平台

爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别1

可以看到登录所需的验证码构成比较简单,是彩色的标准数字配合简单的背景干扰

爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别2

因此这里的验证码识别不需要借助人工智能的手段,可直接利用二值法对图片处理后交给谷歌的识别引擎tesseract-OCR即可获得图中的数字。

:selenium 和 tesseract 的配置读者可自行搜索,本文不做介绍)

Python实战

首先导入所需模块

import re
# 图片处理
from PIL import Image
# 文字识别
import pytesseract
# 浏览器自动化
from selenium import webdriver
import time

解决弹出框问题

 

先尝试打开示例网站

url = 'http://lims.gzzoc.com/client'
driver = webdriver.Chrome()
driver.get(url)
time.sleep(30)

爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别3

有趣的地方出现了,网站显示了一个我们前面没有看到的弹窗,简单说一下弹窗的知识点,初学者可以将弹出框简单分为alert和非alert

alert式弹出框

alert(message)方法用于显示带有一条指定消息和一个 OK 按钮的警告框

confirm(message)方法用于显示一个带有指定消息和 OK 及取消按钮的对话框

prompt(text,defaultText)方法用于显示可提示用户进行输入的对话框

看一下这个弹出框的js是怎么写的:

爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别4

看起来似乎是alert式弹出框,那么直接用driver.switch_to.alert吗?先不急

非传统alert式弹出框的处理

弹出框位于div层,跟平常定位方法一样

弹出框是嵌套的iframe层,需要切换iframe

弹出框位于嵌套的handle,需要切换窗口

所以我们对这个弹出框进行元素审查

爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别5

所以问题实际上很简单,直接定位按钮并点击即可

url = 'http://lims.gzzoc.com/client'

driver = webdriver.Chrome()
driver.get(url)
time.sleep(1)
driver.maximize_window() # 最大化窗口
driver.find_element_by_xpath("//div[@class='jconfirm-buttons']/button").click()

获取图片位置并截图

 

二值法处理验证码的简单思路如下:

切割截取验证码所在的图片

转为灰度后二值法将有效信息转为黑,背景和干扰转为白色

处理后的图片交给文字识别引擎

输入返回的结果并提交

切割截取验证码的图片进一步思考解决策略:首先获取网页上图片的css属性,根据size和location算出图片的坐标;然后截屏;最后用这个坐标进一步去处理截屏即可(由于验证码js的特殊性,不能简单获取img的href后下载图片后读取识别,会导致前后不匹配)

img = driver.find_element_by_xpath('//img[@id="valiCode"]')
time.sleep(1)
location = img.location
size = img.size
# left = location['x']
# top = location['y']
# right = left + size['width']
# bottom = top + size['height']
left = 2 * location['x']
top = 2 * location['y']
right = left + 2 * size['width'] - 10
bottom = top + 2 * size['height'] - 10
driver.save_screenshot('valicode.png')
page_snap_obj = Image.open('valicode.png')
image_obj = page_snap_obj.crop((left, top, right, bottom))
image_obj.show()

正常情况下直接使用注释的四行代码即可,但不同的电脑不同的浏览器,缩放倍率存在差异,因此如果截取出的图存在偏差这需要考虑乘上倍率系数。最后可以再加减数值进行微调

爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别6

可以看到图片这成功截取出来了!

验证码图片的进一步处理

这个阈值需要具体用Photoshop或者其他工具尝试,即找到一个像素阈值能够将灰度图片中真实数据和背景干扰分开,本例经测试阈值为205

img = image_obj.convert("L")  # 转灰度图
pixdata = img.load()
w, h = img.size
threshold = 205
# 遍历所有像素,大于阈值的为黑色
for y in range(h):
    for x in range(w):
        if pixdata[x, y] < threshold:
            pixdata[x, y] = 0
        else:
            pixdata[x, y] = 255

根据像素二值结果重新生成图片

data = img.getdata()
w, h = img.size
black_point = 0
for x in range(1, w - 1):
    for y in range(1, h - 1):
        mid_pixel = data[w * y + x]
        if mid_pixel < 50:
            top_pixel = data[w * (y - 1) + x]
            left_pixel = data[w * y + (x - 1)]
            down_pixel = data[w * (y + 1) + x]
            right_pixel = data[w * y + (x + 1)]
            if top_pixel < 10:
                black_point += 1
            if left_pixel < 10:
                black_point += 1
            if down_pixel < 10:
                black_point += 1
            if right_pixel < 10:
                black_point += 1
            if black_point < 1:
                img.putpixel((x, y), 255)
            black_point = 0
img.show()

图像处理前后对比如下

爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别7

文字识别

 

将处理后的图片就给谷歌的文字识别引擎就能完成识别

result = pytesseract.image_to_string(img)
# 可能存在异常符号,用正则提取其中的数字
regex = '\d+'
result = ''.join(re.findall(regex, result))
print(result)

识别结果如下

爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别8

提交账号密码、验证码等信息

 

在处理完验证码之后,现在我们就可以向网站提交账号密码、验证码等登陆所需信息

driver.find_element_by_name('code').send_keys(result)
driver.find_element_by_name('userName').send_keys('xxx')
driver.find_element_by_name('password').send_keys('xxx')
# 最后点击确定
driver.find_element_by_xpath("//div[@class='form-group login-input'][3]").click()

需要注意的是,二值法识别验证码成功率不是100%,因此需要考虑到验证码识别错误,需要单击图片更换验证码重新识别,可以将上述代码拆解成多个函数后,用如下循环框架试错

while True:
    try:
        ...
        break
    except:
        driver.find_element_by_id('valiCode').click()

为了方便理解,代码的书写没有以函数形式呈现,欢迎读者自行尝试修改!

小结

 

成功登录后就可以获得个人的cookies,接下来可以继续用selenium进行浏览器自动化或者把cookies传给requests,后面就能爬取需要的信息做分析或者实现一些自动化功能,但由于涉及到的爬虫知识点比较多,我们会在后续的爬虫专题文章中进行分享!

 

勿删,copyright占位
分享文章到微博
分享文章到朋友圈

上一篇:RS485(半)全双工实现

下一篇:CSS3鼠标悬停/经过图片炫酷动画特效

您可能感兴趣

  • 面经分享|中科院老哥的算法&开发岗面经总结

    作者:算法才是灵魂 转自:https://www.nowcoder.com/discuss/328830 授权文章,转载请联系作者 编辑:Che_Hongshu/AI蜗牛车 一、前言 往昔的回忆使我们激动,我们重新踏上旧日的路,一切过去日子的感情,又逐渐活在我们的心里;使我们再次心紧的是,曾经熟悉的震颤;为了回忆中的忧伤,真想吐出一声长叹…… 感谢一路上曾经鼓励、帮助过我的人。愿我们在彼此追...

  • 2019 转行渣硕秋招之路(感谢遇到的,致那些努力的人)

    秋招算是结束了,感觉像签了卖身契一样。开玩笑的,不过话说回来,真的有些空荡了呢,怎么说呢,面试简历投的不少,就像短信群发一样,当然反馈效果也像短信群发后你的反应一样。因为自己本硕非985,211,非计算机科班,不过幸运的是所学的专业让自己尽早的接触了计算机编程,也算是白纸上还有那么点缀的几道痕迹吧,哈哈。话说刚开篇的逻辑有些混乱了呢,呃,好吧重新捋一捋吧。关于秋招还算顺利,参加了大大小小的不...

  • BAT 大厂Java 面试题集锦之核心篇附参考答案

    核心篇 数据结构与算法 网路:TCP/IP, HTTP 操作系统, 文件, shell, CPU, IO, epoll, 非阻塞IO, 进程/线程/协程,锁 HashMap, ConcurrentHashMap实现原理, 链表, 红黑树 git maven 缓存:各种缓存, redis zset与跳跃表 高并发,高可用,降级,限流,容灾,弱依赖 分布式框架 架构设计, clean code,...

  • Python - 学习/实践

    1.应用场景 作为一种通用编程语言,Python的应用场景几乎是无限的。我们可以在任何场景使用Python,例如,从网站和游戏开发,到机器人和航天飞机控制等。从Python官网给出的例子来看,Python有以下几个主要的应用场景: 1.Web开发 Python语言能够满足快速迭代的需求,非常适合互联网公司的Web开发应用场景。Python用作Web开发已有十多年的历史,在这个过程中,涌现出了...

  • 前端知识点整理收集(不定时更新~)二

    目录 require() 加载文件机制 线程和进程 线程 单线程 Nodejs的线程与进程 网络模型 初识 TCP 协议 三次握手 I/O I/O 先修知识 阻塞与非阻塞 I/O 同步与异步 I/O Git 基础命令 分支操作 修改远程仓库地址 远程分支获取最新的版本到本地 拉取远程仓库指定分支到本地 SEO优化 优化策略 SEO实战 TDK优化 页面内容优化 使用html5结构 唯一的H1...

  • 前端知识点整理收集(不定时更新~)

    知识点都是搜集各种大佬们的,如有冒犯,请告知! 目录 原型链 New关键字的执行过程 ES6——class constructor方法 类的实例对象 不存在变量提升 super 关键字 ES6——...

  • 面试题2

    http://blog.csdn.net/Hackbuteer1 2011.10.17百度 面试题 1、进程切换需要注意哪些问题? 保存处理器PC寄存器的值到被中止进程的私有堆栈; 保存处理器PSW寄存器的值到被中止进程的私有堆栈; 保存处理器SP寄存器的值到被中止进程的进程控制块; 保存处理器其他寄存器的值到被中止进程的私有堆栈; 自待运行进程的进程控制块取SP值并存入处理器的寄存器SP;...

  • 有没有必要把机器学习算法自己实现一遍?

    编辑:忆臻 https://www.zhihu.com/question/36768514 本文仅作为学术分享,如果侵权,会删文处理 机器学习算法与自然语言处理报道 作者:微调 https://www.zhihu.com/question/36768514/answer/376510114 不少自学的朋友很容易陷入到焦虑当中,尤其是在学习理论受挫之后。再加上不少人是码农出身,实现算法是就成了...

华为云40多款云服务产品0元试用活动

免费套餐,马上领取!
CSDN

CSDN

中国开发者社区CSDN (Chinese Software Developer Network) 创立于1999年,致力为中国开发者提供知识传播、在线学习、职业发展等全生命周期服务。