網頁爬蟲 - Python 爬蟲中如何處理驗證碼？
問題描述
最近想用Python寫個爬蟲去抓取一些東西，但是碰到個問題，就是驗證碼不知道該如何處理。現在驗證碼一般有兩種，一種是簡單的，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證了，有的說這個涉及到機器學習方面的東西。由于我個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
回答1：這個本身用驗證碼技術就是防止爬蟲之類的網絡程序的，我所知道的破解驗證碼就是用人工智能的圖像識別那塊，好像有類似的函數可用，但是準確率都不會太高的
回答2：驗證碼問題，一可以轉到專業服務商提供的API（他們用機器學習或者人工），如優優圖，二是自己寫驗證碼識別程序，提供一個項目供參考：https://github.com/luyishisi/...
回答3：有一種方案是在瀏覽器手動登陸然后把cookies提取出來直接在爬蟲里包在請求里發出去。
回答4：圖片一好處理，驗證碼就是張圖片，通過圖片處理可以獲取驗證碼（ocr技術）；圖片二比較麻煩，如果用第一種方法的話，它的數字覆蓋在文字上面了，在獲取圖片內容的時候難度比較大，第二種方法我沒有什么好方法，希望有這方面經驗的同學幫忙解答一下
回答5：驗證碼就是用來反制機器和爬蟲的,如果驗證碼能讓你的自動化爬蟲輕松繞過,那還能叫驗證碼么?樓主還是先搞清楚驗證碼是個怎么機制,再來看看是否真如你想象中能夠輕松繞過.總而言之,除非人家網站的驗證碼實現有漏洞,否則你是無法繞過驗證碼機制的,你只能識別出驗證碼上的文字,比如OCR(Optical Character Recognition)技術就是用來解決這個問題的.OCR是指電子設備(如掃描儀)檢查紙上打印的字符.通過檢測暗/亮的模式確定其形狀,然后用字符識別方法將形狀翻譯成計算機文字的過程.
驗證碼識別基本步驟:1.預處理2.灰度化3.二值化4.去噪5.分割6.識別
總而言之,驗證碼識別門檻高,成本也高,避無可避.比如下圖,驗證碼東倒西歪,還重疊,識別起來有難度.
可以用一個驗證碼服務像是我在用的9eu。
回答7：最省事的方式就是把cookie拿出來寫在代碼里，不過cookie是有時效性的
回答8：應對復雜的驗證碼，比較高效省時的方法應是對接到打碼平臺，交由他們的人工處理。
相關文章：
1. python - 小白django提交數據后，沒有存儲到數據庫（查閱資料并沒有發現問題）2. mysql - jdbc的問題3. Python爬蟲如何爬取span和span中間的內容并分別存入字典里？4. Python如何播放還存在StringIO中的MP3?5. mysql - 分庫分表、分區、讀寫分離 這些都是用在什么場景下 ，會帶來哪些效率或者其他方面的好處6. python - Win7調用flup報錯’module’ object has no attribute ’fromfd’7. 圖片鏈接的地址怎么獲得的8. python - 我在使用pip install -r requirements.txt下載時，為什么部分能下載，部分不能下載9. python - 編碼問題求助10. mysql - 如何減少使用或者不用LEFT JOIN查詢？
網公網安備