問題描述

最近想用Python寫個(gè)爬蟲去抓取一些東西，但是碰到個(gè)問題，就是驗(yàn)證碼不知道該如何處理。現(xiàn)在驗(yàn)證碼一般有兩種，一種是簡(jiǎn)單的，比如下面這種純字符型的：

另外一種就是出來一些特定字符，需要按順序點(diǎn)擊的：

我看有的人說可以獲取瀏覽器cookies寫到程序里就直接通過驗(yàn)證了，有的說這個(gè)涉及到機(jī)器學(xué)習(xí)方面的東西。由于我個(gè)人以前沒接觸過這方面東西，所以不知道從何處入手，想問下要處理這種驗(yàn)證碼的話，一般該如何處理？ 有沒有這方面合適的書推薦下啊……

問題解答

這個(gè)本身用驗(yàn)證碼技術(shù)就是防止爬蟲之類的網(wǎng)絡(luò)程序的，我所知道的破解驗(yàn)證碼就是用人工智能的圖像識(shí)別那塊，好像有類似的函數(shù)可用，但是準(zhǔn)確率都不會(huì)太高的

驗(yàn)證碼問題，一可以轉(zhuǎn)到專業(yè)服務(wù)商提供的API（他們用機(jī)器學(xué)習(xí)或者人工），如優(yōu)優(yōu)圖，二是自己寫驗(yàn)證碼識(shí)別程序，提供一個(gè)項(xiàng)目供參考：https://github.com/luyishisi/...

有一種方案是在瀏覽器手動(dòng)登陸然后把cookies提取出來直接在爬蟲里包在請(qǐng)求里發(fā)出去。

圖片一好處理，驗(yàn)證碼就是張圖片，通過圖片處理可以獲取驗(yàn)證碼（ocr技術(shù)）；圖片二比較麻煩，如果用第一種方法的話，它的數(shù)字覆蓋在文字上面了，在獲取圖片內(nèi)容的時(shí)候難度比較大，第二種方法我沒有什么好方法，希望有這方面經(jīng)驗(yàn)的同學(xué)幫忙解答一下

驗(yàn)證碼就是用來反制機(jī)器和爬蟲的,如果驗(yàn)證碼能讓你的自動(dòng)化爬蟲輕松繞過,那還能叫驗(yàn)證碼么?樓主還是先搞清楚驗(yàn)證碼是個(gè)怎么機(jī)制,再來看看是否真如你想象中能夠輕松繞過.總而言之,除非人家網(wǎng)站的驗(yàn)證碼實(shí)現(xiàn)有漏洞,否則你是無法繞過驗(yàn)證碼機(jī)制的,你只能識(shí)別出驗(yàn)證碼上的文字,比如OCR(Optical Character Recognition)技術(shù)就是用來解決這個(gè)問題的.OCR是指電子設(shè)備(如掃描儀)檢查紙上打印的字符.通過檢測(cè)暗/亮的模式確定其形狀,然后用字符識(shí)別方法將形狀翻譯成計(jì)算機(jī)文字的過程.

驗(yàn)證碼識(shí)別基本步驟:1.預(yù)處理2.灰度化3.二值化4.去噪5.分割6.識(shí)別

總而言之,驗(yàn)證碼識(shí)別門檻高,成本也高,避無可避.比如下圖,驗(yàn)證碼東倒西歪,還重疊,識(shí)別起來有難度.

可以用一個(gè)驗(yàn)證碼服務(wù)像是我在用的9eu。

最省事的方式就是把cookie拿出來寫在代碼里，不過cookie是有時(shí)效性的

應(yīng)對(duì)復(fù)雜的驗(yàn)證碼，比較高效省時(shí)的方法應(yīng)是對(duì)接到打碼平臺(tái)，交由他們的人工處理。