如果你会这一招！全球百分之八十的验证码都可以忽略！Python真叼

验证码（CAPTCHA）全称为全自动区分计算机和人类的公开图灵测试（Completely Automated Public Turing test to tell Computersand Humans Apart）。从其全称可以看出，验证码用于测试用户是真实的人类还是计算机机器人。

1.获得验证码图片

每次加载注册网页都会显示不同的验证验图像，为了了解表单需要哪些参数，我们可以复用上一章编写的parse_form()函数。

在本例中，这是一张进行了Base64编码的PNG图像，这种格式会使用ASCII编码表示二进制数据。我们可以通过在第一个逗号处分割的方法移除该前缀。然后，使用Base64解码图像数据，回到最初的二进制格式。要想加载图像，PIL需要一个类似文件的接口，所以在传给Image类之前，我们以使用了BytesIO对这个二进制数据进行了封装。

完整代码:

2.光学字符识别验证码

光学字符识别（Optical Character Recognition, OCR）用于图像中抽取文本。本节中，我们将使用开源的Tesseract OCR引擎，该引擎最初由惠普公司开发的，目前由Google主导。Tesseract的安装说明可以从http://code.google.com/p/tesseract-ocr/wiki/ReadMe获取。然后可以使用pip安装其Python封装版本pytesseractpip install pytesseract。

下面我们用光学字符识别图像验证码：

如果直接把验证码原始图像传给pytesseract，一般不能解析出来。这是因为Tesseract是抽取更加典型的文本，比如背景统一的书页。下面我们进行去除背景噪音，只保留文本部分。验证码文本一般都是黑色的，背景则会更加明亮，所以我们可以通过检查是否为黑色将文本分离出来，该处理过程又被称为阈值化。

这里只有阈值小于1的像素（全黑）都会保留下来，分别得到三张图像：原始验证码图像、转换后的灰度图和阈值化处理后的黑白图像。最后我们将阈值化处理后黑白图像再进行Tesseract处理，验证码中的文字已经被成功抽取出来了。

我们通过示例样本测试，100张验证码能正确识别出90张。

下面是注册账号完整代码：

我们可以进一步改善OCR性能：

- 实验不同阈值

- 腐蚀阈值文本，突出字符形状

- 调整图像大小

- 根据验证码字体训练ORC工具

- 限制结果为字典单词

3.用API处理复杂验证码

为了处理更加复杂的图像，我们将使用验证处理服务，也叫打码平台。

3.1 9kw打码平台

先到9kw打码平台注册一个个人账号https://www.9kw.eu/register.html

登录后，定位到https://www.9kw.eu/usercaptcha.html 手工处理其他用户验证码获得积分

创建API key https://www.9kw.eu/index.cgi?action=userapinew&source=api

3.1.1 提交验证码

提交验证码参数：

- URL： https://www.9kw.eu/index.cgi（POST）

- action：POST必须设为：’usercaptchaupload’

- apikey：个人的API key

- file-upload-01：需要处理的图像（文件、url 或字符串）

- base64：如果输入的是Base64编码，则设为“1”

- maxtimeout：等待处理的最长时间（60～3999）

- selfsolve：如果自己处理该验证码，则设为“1”

返回值：

- 该验证码的ID

3.1.2 请求已提交验证码结果

请求结果的参数：

- URL： https://www.9kw.eu/index.cgi（GET）

- action：GET必须设为：’usercaptchacorrectdata’

- apikey：个人的API key

- id：要检查的验证码ID

- info：若设为“1”，没有得到结果时返回“NO DATA”（默认返回空）

返回值：

- 要处理的验证码文本或错误码

错误码：

- 0001：API key不存在

- 0002：没有找到API key

- 0003：没有找到激活的API key

……

- 0031：账号被系统禁用24小时

- 0032：账号没有足够的权限

- 0033：需要升级插件

3.1.2与注册功能集成