将验证码识别功能集成到现有的爬虫框架

蜘蛛网.jpg

验证码的识别

过年期间我曾经写过一篇文章《一次简单的验证码识别以及思考》, 目前已经对该功能做了一些优化，可以支持几种类型的验证码识别。其核心思想仍然是上一篇文章所提到的，使用tensorflow来训练标注过的验证码。目前，多种类型的验证码训练完之后可以放到一个模型中。未来，有新增的验证码类型通过训练之后也可以整合到这个模型中。

通过多次训练得到的经验大致是，一种类型的验证码标注4000-5000个数据，就能获得90%以上的识别准确率。

集成到爬虫框架

爬虫框架NetDiscovery，github地址：https://github.com/fengzhizi715/NetDiscovery

对于验证码的识别，最终暴露出来是一个web服务。该web服务采用Vert.x进行开发，对于爬虫而言，只需知道它是一个web服务即可，无需知道后面的逻辑。而且，web服务的地址也可能会更换。

最终的架构.png

所以，我在爬虫框架中封装了一个工具方法，只需要传入图片的url地址就能够返回验证码的内容。

    /**
     * 返回验证码的内容
     * @param imageUrl 验证码的url
     * @return
     */
    public static String getCaptcha(String imageUrl) 

测试几张图片

        System.out.println(Utils.getCaptcha("http://47.97.7.119/qianmou/images/captcha/1.png"));

        System.out.println(Utils.getCaptcha("http://47.97.7.119/qianmou/images/captcha/2.png"));

        System.out.println(Utils.getCaptcha("http://47.97.7.119/qianmou/images/captcha/3.png"));

        System.out.println(Utils.getCaptcha("http://47.97.7.119/qianmou/images/captcha/4.png"));

        System.out.println(Utils.getCaptcha("http://47.97.7.119/qianmou/images/captcha/5.png"));

        System.out.println(Utils.getCaptcha("http://47.97.7.119/qianmou/images/captcha/6.png"));

执行结果：

862FF
7FA88
F3686
6D964
FE9FC
6494A

经过测试后，发现只有第一个验证码是识别错误的，其余五个都能够正确地识别出验证码中的数字和字母。

第一个验证码正确的值应该是862DF，而不是862FF。

验证码.jpeg

识别完验证码之后，爬虫就可以模拟“用户”的登录行为，登录成功后记录下Header中的“Set-Cookie”的值，后面的操作就可以使用这个Cookie的值。

NetDiscovery的未来

首先，NetDiscovery需要增加多种类型验证码的识别，需要不断的标注数据。

其次，NetDiscovery打算做成一个比较通用的爬虫框架，虽然最近工作比较繁忙，但是每周仍然会有代码的提交。

下一个比较大的功能，应该是完成跟图像框架的结合。目前NetDiscovery的selenium模块可以实现对网页的截图，未来打算实现从截取的图片中提取有用的信息。这样从一定程度上能够对抗反爬虫。