TensorFlow 验证码识别
验证码可以说是爬虫中最常见的，本次介绍的方法可以处理如下简单的验证码：
可以观察到，此类验证码特点明显，4位数字，每个数字所处位置固定。
主要分为四步：
- 样本数据
- 创建训练数据
- 跑模型，现在全是数字
- 预测
1. 样本数据
在`src/data/captcha`下存放验证码图片，一般名字就是答案，然后需要在`src/data/captcha.json`中描写对应关系，例如
{
"3601.jpg": "3601",
"1651.jpg": "1651",
"3771.jpg": "3771",
"6172.jpg": "6172",
"7104.jpg": "7104",
"7134.jpg": "7134",
"8113.jpg": "8113",
"8395.jpg": "8395"
}前面是文件名，后面是答案
2.创建训练数据
运行文件`src/create_train_data.py`，这将会创建文件`src/data/captcha.npz`和和图片1~9的数字，数字在`src/data/train`，可以打开看看，切割效果不好的话需要修改，打开文件`src/img.py`，修改如下几个参数
SHIFT_PIXEL = 7 # 将图像从右向左移动
BINARY_THRESH = 30 # 图像二进制阈值
LETTER_SIZE = (20, 23) # 字母 宽, 高如果图片位置非常规则，就像这种
只有4个数字，每个数字位置都确定不变，可以直接将位置写死，如
letter_boxs = [[[0, 7], [11, 24]], [[13, 5], [30, 30]], [[30, 5], [45, 29]], [[47, 4], [61, 28]]]上面的点分别就是下图中的1、2、3、4、5、6、7、8
3.跑模型
这个就比较简单了，直接运行`src/train.py`，会出现模型并保存在`src/checkpoint`目录下
4.预测
运行`src/predict.py`，传入进去的需要是一个图片对象，当然你可以直接传入图片url，但是并不能维持session状态，因为它是直接去下载图片的，`io.imread(argv, as_gray=True)`的源码实现
@contextmanager
def file_or_url_context(resource_name):
"""Yield name of file from the given resource (i.e. file or url)."""
if is_url(resource_name):
_, ext = os.path.splitext(resource_name)
try:
with tempfile.NamedTemporaryFile(delete=False, suffix=ext) as f:
u = urlopen(resource_name)
f.write(u.read())
# f must be closed before yielding
yield f.name
finally:
os.remove(f.name)
else:
yield resource_name他这里就是先创建了一个临时文件，将图片写进去，再读取图片。如果需要维持session状态，也可以按照他这样，先创建一个临时文件，之后再删除。
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2019-03-15，如有侵权请联系 cloudcommunity@tencent.com 删除
本文分享自 Python爬虫与算法进阶 微信公众号，前往查看
如有侵权，请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体同步曝光计划 ，欢迎热爱写作的你一起参与！
评论
登录后参与评论
推荐阅读
腾讯云开发者
