Python 爬虫简单验证码识别和抓包

Python知识大全

发布于 2020-02-13 14:28:01

1.4K0

发布于 2020-02-13 14:28:01

文章被收录于专栏：Python 知识大全

OCR 即Optical Character Recognition, 光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。
tesserocr 是Python的一个OCR识别库。GitHub：https://github.com/tesseract-ocr/tesseract

1 软件安装：

注意：在安装tesserocr前都需要先安装tesseract，具体说明如下：

pip install tesserocr #安装tesserocr

pip install pillow # 图片处理目录

注意：

在mac下安装tesserocr ，需要先安装下面的软件
brew install tesseract --all-languages
brew install imagemagick

在：Ubuntu、Debian 系统下先安装：
sudo apt-get intall -y tesseract-ocr libtesseract-dev libleptonica-dev
在：CentOS、Red Hat 系统：
yum install -y tesseract

在windows安装tesserocr前要先安装：tesseract 他是为tesserocr提供支持的
下载目录：https://digi.bib.uni-mannheim.de/tesseract/ 会有很多下载文件，下载一个3.0版本的exe文件即可
在安装中要勾选上Additional language data(download)选项来安装OCR识别支持的语言包

2 具体使用：

简单识别验证码

#验证识别测试
import tesserocr
from PIL import Image

#打开图片
image = Image.open("./code/5.png")

#识别验证码
result = tesserocr.image_to_text(image)

print(result)

进一步优化：

验证码的深度处理，如转灰度、二值化等操作

#验证识别测试
import tesserocr
from PIL import Image

image = Image.open("./code/5.png")
#将图片转化为灰度图像
image = image.convert("L")
threshold = 127
table=[]
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
image = image.point(table,'1')
#识别验证码
result = tesserocr.image_to_text(image)

print(result)

Fiddler抓包工具：

Fiddler（中文名称：小提琴）是一个HTTP的调试代理，以代理服务器的方式，监听系统的Http网络数据流动
Fiddler是一个http协议调试代理工具，它能够记录并检查所有你的电脑和互联网之间的http通讯，设置断点，查看所有的“进出”Fiddler的数据（指cookie,html,js,css等文件，这些都可以让你胡乱修改的意思）。
Fiddler 要比其他的网络调试器要更加简单，因为它不仅仅暴露http通讯还提供了一个用户友好的格式。
官方网址：https://www.telerik.com/fiddler
文档地址：http://docs.telerik.com/fiddler/configure-fiddler/tasks/configurefiddler
运行过程：