python爬虫解决图片验证码问题

第一次写帖子，想和大家一起分享一下之前踩过的坑，有不妥的地方欢迎各位大佬指教。

之前刚开始做爬虫的时候遇到过登录验证码问题，看过很多帖子都没有解决我的问题，发现大多数帖子都是治标不治本，于是想分享一下自己的解决方案。本次采用的网站是古诗文网，使用百度API，因为百度API免费！免费！免费！适合自己学习的时候使用。如果还没有使用过百度API识别验证码的朋友可以看一下我的这个帖子。

以下案例采用的时古诗文网：登录古诗文网，

 

1、selenium处理图片验证码

先定位到验证码图片，在获取验证码图片在页面中的位置，使用save_screenshot截取页面，再根据图片的位置去截取验证码，最后通过接口识别文字获取验证码，直接上代码：

element = driver.find_element_by_id('imgCode')  # 定位验证码图片
# 获取验证码图片在网页中的位置
left = int(element.location['x'])    # 获取图片左上角坐标x
top = int(element.location['y'])    # 获取图片左上角y
right = int(element.location['x'] + element.size['width'])        # 获取图片右下角x
bottom = int(element.location['y'] + element.size['height'])    # 获取图片右下角y

# 通过Image处理图像
path = current_dir + str(random.random()) + '.png'    # 生成随机文件名
driver.save_screenshot(path)        # 截取当前窗口并保存图片
im = Image.open(path)                # 打开图片
im = im.crop((left, top, right, bottom))    # 截图验证码
im.save(path)        # 保存验证码图片

# 使用百度API识别验证码
def get_code():
    client = AipOcr(APP_ID, API_KEY, SECRET_KEY)    # 百度API文档中提供的方法识别文字
    
    # 由于我处理的验证码图片没有填多的线条，所以直接采用灰度是验证码数字更加清晰，具体的处理方式可根据验证码的实际情况而定
    im = Image.open(path)
    # 转换为灰度图像
    im = im.convert('L')
    im.save(path)
    
    # 读取图片，应为百度API中提供的方法参数只能是字节流
    with open(path, 'rb')as f:
        image = f.read()
    # 使用API中提供的方法识别验证码并返回验证码
    code = client.basicGeneral(image)    
 
    print(code['words_result'][0]['words'])  # {'words_result': [{'words': '4TBiD ', 'location': {'top': 1, 'left': 6, 'width': 43, 'height': 13}}], 'log_id': 1358288307112378368, 'words_result_num': 1}
    return code['words_result'][0]['words']

 

 

 

2、使用requests请求验证码

这里用到了会话机制，对于初学者来说可能不太了解，简单说一下会话机制的作用，会话就是用来保存你之前请求的cookie，让浏览器知道你之前就在这里，这样浏览器就不会认为你重新来到这里，从而刷新验证码，这样就可以带着我们获取的验证码去登录了。

conn = requests.Sessoin(    # 创建会话
resp = conn.get('https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.aspx')
selector = Selector(text=resp.text)
img_url = 'https://so.gushiwen.cn/'+selector.xpath('.//img[@id="imgCode"]/@src').get()  # 获取图片的路由
img = conn.get(img_url)    # 保持会话请求
filename = str(random.random()) + '.png'
with open(filename, 'wb')as f:
    f.write(img.content)
# 为了后面的调用接口识别不报图片格式错误，进行一次图片转换
im = Image.open(filename)
im.save(filename)
# 使用二进制方式读取图片
with open(filename, 'rb')as f:
image = f.read()
data = client.handwriting(image)    # diao'yong
# 使用API中提供的方法识别验证码并返回验证码
code = client.basicGeneral(image)    
code = code['words_result'][0]['words']

 

selenium源码

# -* coding: utf-8 *-

import time
import random
from PIL import Image
from aip import AipOcr
from selenium.webdriver import Chrome

# 百度API参数
APP_ID = '23647800'
API_KEY = 'n95KOQgVuOMoAP72qZZo7uoN'
SECRET_KEY = '7yhyGglHUsY52DD8kf4w0Qjnxum07hMK'
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)  # 调用API接口


def scrapy(username, password):
    """
    :param username:    用户名
    :param password:    密码
    """
    driver = Chrome()
    driver.get('https://so.gushiwen.cn/user/login.aspx')
    driver.find_element_by_id('email').send_keys(username)  # 输入账号
    driver.find_element_by_id('pwd').send_keys(password)    # 输入密码

    element = driver.find_element_by_id('imgCode')  # 定位验证码图片
    # 获取验证码图片在网页中的位置
    left = int(element.location['x'])  # 获取图片左上角坐标x
    top = int(element.location['y'])  # 获取图片左上角y
    right = int(element.location['x'] + element.size['width'])  # 获取图片右下角x
    bottom = int(element.location['y'] + element.size['height'])  # 获取图片右下角y

    # 通过Image处理图像
    filename = str(random.random()) + '.png'  # 生成随机文件名
    driver.save_screenshot(filename)  # 截取当前窗口并保存图片
    im = Image.open(filename)  # 打开图片
    im = im.crop((left, top, right, bottom))  # 截图验证码
    im.save(filename)  # 保存验证码图片
    # 由于我处理的验证码图片没有填多的线条，所以直接采用灰度是验证码数字更加清晰，具体的处理方式可根据验证码的实际情况而定
    im = Image.open(filename)
    # 转换为灰度图像
    im = im.convert('L')
    im.save(filename)
    # 读取图片，应为百度API中提供的方法参数只能是字节流
    with open(filename, 'rb')as f:
        image = f.read()
    # 使用API中提供的方法识别验证码并返回验证码
    data = client.basicGeneral(image)
    try:
        code = data['words_result'][0]['words']
    except:
        return data['error_msg']

    driver.find_element_by_id('code').send_keys(code)   # 输入验证码
    driver.find_element_by_id('denglu').click()     # 点击登录
    time.sleep(1000)    # 为了看清登录，等待1000秒


if __name__ == '__main__':
    print(scrapy(username, password)) # 传入你在古诗文网注册的账号密码

 

 

requests源码

# -* coding: utf-8 *-
import os
import random
import re
import requests
from PIL import Image
from aip import AipOcr
from scrapy import Selector

headers = {
    'referer': 'https://so.gushiwen.cn/user/login.aspx',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.146 Safari/537.36'
}

# 百度API参数
APP_ID = '23647800'
API_KEY = 'n95KOQgVuOMoAP72qZZo7uoN'
SECRET_KEY = '7yhyGglHUsY52DD8kf4w0Qjnxum07hMK'

def scrapy(username, password):
    """
    :param username:    用户名
    :param password:    密码
    """
    client = AipOcr(APP_ID, API_KEY, SECRET_KEY)  # 调用API接口
    conn = requests.Session()  # 创建会话
    resp = conn.get('https://so.gushiwen.cn/user/login.aspx', headers=headers)  # 获取登录页面
    selector = Selector(text=resp.text)
    __VIEWSTATE = selector.xpath('.//input[@id="__VIEWSTATE"]/@value').get()
    __VIEWSTATEGENERATOR = selector.xpath('.//input[@id="__VIEWSTATEGENERATOR"]/@value').get()
    img_url = 'https://so.gushiwen.cn/' + selector.xpath('.//img[@id="imgCode"]/@src').get()  # 获取图片的路由
    img = conn.get(img_url, headers=headers)  # 获取图片路由
    # 保存图片
    filename = str(random.random()) + '.png'  # 随机生成文件名， 图片格式不能为jpg，API不支持jpg格式的识别
    with open(filename, 'wb')as f:
        f.write(img.content)
      # 由于我处理的验证码图片没有填多的线条，所以直接采用灰度是验证码数字更加清晰，具体的处理方式可根据验证码的实际情况而定
    im = Image.open(filename)
    # 转换为灰度图像
    im = im.convert('L')
    im.save(filename)
    # 使用二进制方式读取图片
    with open(filename, 'rb')as f:
        image = f.read()
    # # 标准识别, 每天免费50000次
    # data = client.basicGeneral(image)
    # 精确识别，每天免费500次
    data = client.handwriting(image)
    # 捕获一下接口识别当中的错误，可参照文档查看报错原因
    try:
        code = data['words_result'][0]['words']
    except:
        return data['error_msg']
    form_data = {
        '__VIEWSTATE': __VIEWSTATE,
        '__VIEWSTATEGENERATOR': __VIEWSTATEGENERATOR,
        'from': '',
        'email': username,
        'pwd': password,
        'code':cod,
        'denglu': '登录'
    }
    # 登录
    html = conn.post('https://so.gushiwen.cn/user/login.aspx', headers=headers, data=form_data).text
    # 获取登录标志位
    login_flag = re.findall("alert\('(.*?)'\);",html)[0] if re.findall("alert\('(.*?)'\);",html) else ''
    if not login_flag:
        return '登录成功！'
    elif '验证码有误！' in login_flag:
        return "验证码错误"


if __name__ == '__main__':
    print(scrapy(username, password))

以上就是这两个方案了，希望能帮助到大家！

 

由于没有写帖子的经验，不知道该如何表达自己的意思，所以代码中的注释很多，帖子当中的解释文字较少，如果对代码有疑问的地方，可以在下面留言，我会为大家一一解答。