Selenium&Pytesseract模拟登录+验证码识别

验证码是爬虫需要解决的问题,因为很多网站的数据是需要登录成功后才可以获取的.

验证码识别,即图片识别,很多人都有误区,觉得这是爬虫方面的知识,其实是不对的.

验证码识别涉及到的知识:人工智能,模式识别,机器视觉,图像处理.

主要流程:

1 图像采集:就直接通过HTTP抓HTML,然后分析出图片的url,然后下载保存就可以了

2 预处理: 检测是正确的图像格式,转换到合适的格式,压缩,剪切出ROI,去除噪音,灰度化,转换色彩空间这些

3 检测: 验证码识别呢,主要是找出文字所在的主要区域

4 前处理: 验证码识别,“一般”要做文字的切割

5 训练: 通过各种模式识别,机器学习算法,来挑选和训练合适数量的训练集

6 识别: 输入待识别的处理后的图片,转换成分类器需要的输入格式,然后通过输出的类和置信度,来判断大概可能是 哪个字母

Pytesseract--验证码识别

1 简介

Python-tesseract是一款用于光学字符识别(OCR)的python工具,即从图片中识别出其中嵌入的文字。Python-tesseract是对Google Tesseract-OCR的一层封装。它也同时可以单独作为对tesseract引擎的调用脚本,支持使用PIL库(Python Imaging Library)读取的各种图片文件类型,包括jpeg、png、gif、bmp、tiff和其他格式,。作为脚本使用它将打印出识别出的文字而非写入到文件。所以安装pytesseract前要先安装PIL和tesseract-orc这俩依赖库

2 安装

PIL安装 Python平台的图像处理标准库

pip3 install pillow

pytesseract安装,文字识别库

pip3 install pytesseract

tesseract-ocr安装,识别引擎

windows:

https://digi.bib.uni-mannheim.de/tesseract/

下载

tesseract-ocr-setup-3.05.02 或者 tesseract-ocr-setup-4.0.0-alpha

linux:

github上面下载对应版本

https://github.com/tesseract-ocr/tesseract

遇到问题及解决:

pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your path

解决方法:(我是win环境)

找到tesseract-ocr安装目录,复制路径如: C:\Program Files (x86)\Tesseract-OCR\tesseract.exe

找到pytesseract.py文件,修改tesseract_cmd的路径,如下:

环境安装完后,分析目标网站:

华中科技大学 http://www.hust-snde.com/cms/

需求,每天登陆一次保持活跃度

可以看到这个登陆是需要输入验证码的

下面将利用Selenium&Pytesseract模拟登陆+验证码识别

完整代码如下:

#!/usr/bin/env python# coding: utf-8import timefrom selenium import webdriverfrom PIL import Imageimport pytesseractclass LoginSchool(object):    def __init__(self, username, password, url):        self.username = username
        self.password = password
        self.url = url
        self.browser = self.getbrowser()
        self.login_school(self.browser)    def getbrowser(self):        chrome_options = webdriver.ChromeOptions()
        # 去除警告        chrome_options.add_argument('disable-infobars')
        # 无头模式        # chrome_options.set_headless()        browser = webdriver.Chrome(options=chrome_options,
                                   executable_path=r'D:\chromedriver_2.41\chromedriver.exe')
        return browser    def login_school(self, browser):        browser.get(self.url)
        time.sleep(3)
        # 打开目标网站,并截取完整的图片        browser.get_screenshot_as_file('login.png')
        # 找到输入账号的input,并输入账号        browser.find_element_by_id("loginId").send_keys(self.username)
        # 找到输入密码的input,并输入密码        browser.find_element_by_id("passwd").send_keys(self.password)
        # 找到验证码img标签,切图        img_code = browser.find_element_by_xpath("//div[@class='logif']//img[@id='imgCode']")
        time.sleep(3)
        # 算出验证码的四个点,即验证码四个角的坐标地址        left = img_code.location['x']
        top = img_code.location['y']
        right = img_code.location['x'] + img_code.size['width']
        bottom = img_code.location['y'] + img_code.size['height']
        print("验证码坐标::", left, top, right, bottom)
        # 利用python的PIL图片处理库,利用坐标,切出验证码的图        im = Image.open('login.png')
        im = im.crop((left, top, right, bottom))
        im.save('code.png')
        # 调用图片识别的函数,得到验证码        code = self.img_to_str()
        # 找到验证码的input,并输入验证码        browser.find_element_by_id("authCode").send_keys(code)
        # 点击登录按钮        browser.find_element_by_xpath("//div[@class='loga']/a[text()=' 登 录']").click()
        time.sleep(2)
        try:
            msg = browser.find_element_by_xpath("//div[@class='user_name']").text
            if msg:
                print('登陆成功')
                print(msg)
        except Exception as e:
            print('登陆失败:{}'.format(e))
        finally:
            time.sleep(1)
            browser.quit()    def img_to_str(self):        # 打开切出的验证码code.png        img = Image.open('code.png')
        # 利用pytesseract识别出验证码        # -psm 8 为识别模式        # -c tessedit_char_whitelist=1234567890  的意思是 识别纯数字(0-9)        code = pytesseract.image_to_string(img, config='-psm 8 -c tessedit_char_whitelist=1234567890')
        print('验证码识别:{}'.format(code))
        return codeif __name__ == '__main__':
    username = '账号'    password = '密码'    url = 'http://www.hust-snde.com/center\
    /left_hydl.jsp?url=www.hust-snde.com:80/sso/login_centerLogin.action'    st = LoginSchool(username=username, password=password, url=url)

运行程序:

当前目录下会生成两个图片文件

login.png 为登陆时的截图

code.png是从上面login.png中切出来的验证码图片

pytesseract识别简单的验证码成功率还行,如果验证码有干扰线,噪点之类的就需要对验证码图片进行去除噪音,灰度化,转换色彩空间这些处理.

如果验证码有字体样式,或者比较复杂,就需要训练,来提高识别的成功率.

本文载自: http://www.py3study.com/Article/details/id/351.html

原文发布于微信公众号 - 测试开发社区(TestDevHome)

原文发表时间:2018-11-22

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券