這篇文章將為大家詳細(xì)講解有關(guān)Python爬蟲(chóng)中破解驗(yàn)證碼識(shí)別和彈窗處理,小編覺(jué)得挺實(shí)用的,因此分享給大家做個(gè)參考,希望大家閱讀完這篇文章后可以有所收獲。
站在用戶(hù)的角度思考問(wèn)題,與客戶(hù)深入溝通,找到博羅網(wǎng)站設(shè)計(jì)與博羅網(wǎng)站推廣的解決方案,憑借多年的經(jīng)驗(yàn),讓設(shè)計(jì)與互聯(lián)網(wǎng)技術(shù)結(jié)合,創(chuàng)造個(gè)性化、用戶(hù)體驗(yàn)好的作品,建站類(lèi)型包括:成都做網(wǎng)站、成都網(wǎng)站建設(shè)、企業(yè)官網(wǎng)、英文網(wǎng)站、手機(jī)端網(wǎng)站、網(wǎng)站推廣、域名與空間、虛擬空間、企業(yè)郵箱。業(yè)務(wù)覆蓋博羅地區(qū)。
在我們寫(xiě)爬蟲(chóng)的過(guò)程中,目標(biāo)網(wǎng)站常見(jiàn)的干擾手段就是設(shè)置驗(yàn)證碼等,本就將基于Selenium實(shí)戰(zhàn)講解如何處理彈窗和驗(yàn)證碼,爬取的目標(biāo)網(wǎng)站為某儀器預(yù)約平臺(tái)
可以看到登錄所需的驗(yàn)證碼構(gòu)成比較簡(jiǎn)單,是彩色的標(biāo)準(zhǔn)數(shù)字配合簡(jiǎn)單的背景干擾
因此這里的驗(yàn)證碼識(shí)別不需要借助人工智能的手段,可直接利用二值法對(duì)圖片處理后交給谷歌的識(shí)別引擎tesseract-OCR即可獲得圖中的數(shù)字。
首先導(dǎo)入所需模塊
import re # 圖片處理 from PIL import Image # 文字識(shí)別 import pytesseract # 瀏覽器自動(dòng)化 from selenium import webdriver import time
先嘗試打開(kāi)示例網(wǎng)站
url = 'http://lims.gzzoc.com/client' driver = webdriver.Chrome() driver.get(url) time.sleep(30)
有趣的地方出現(xiàn)了,網(wǎng)站顯示了一個(gè)我們前面沒(méi)有看到的彈窗,簡(jiǎn)單說(shuō)一下彈窗的知識(shí)點(diǎn),初學(xué)者可以將彈出框簡(jiǎn)單分為alert和非alert
alert式彈出框
alert(message)方法用于顯示帶有一條指定消息和一個(gè) OK 按鈕的警告框
confirm(message)方法用于顯示一個(gè)帶有指定消息和 OK 及取消按鈕的對(duì)話(huà)框
prompt(text,defaultText)方法用于顯示可提示用戶(hù)進(jìn)行輸入的對(duì)話(huà)框
看一下這個(gè)彈出框的js是怎么寫(xiě)的:
看起來(lái)似乎是alert式彈出框,那么直接用driver.switch_to.alert嗎?先不急
非傳統(tǒng)alert式彈出框的處理
彈出框位于div層,跟平常定位方法一樣
彈出框是嵌套的iframe層,需要切換iframe
彈出框位于嵌套的handle,需要切換窗口
所以我們對(duì)這個(gè)彈出框進(jìn)行元素審查
所以問(wèn)題實(shí)際上很簡(jiǎn)單,直接定位按鈕并點(diǎn)擊即可
url = 'http://lims.gzzoc.com/client' driver = webdriver.Chrome() driver.get(url) time.sleep(1) driver.maximize_window() # 最大化窗口 driver.find_element_by_xpath("//div[@class='jconfirm-buttons']/button").click()
二值法處理驗(yàn)證碼的簡(jiǎn)單思路如下:
切割截取驗(yàn)證碼所在的圖片
轉(zhuǎn)為灰度后二值法將有效信息轉(zhuǎn)為黑,背景和干擾轉(zhuǎn)為白色
處理后的圖片交給文字識(shí)別引擎
輸入返回的結(jié)果并提交
切割截取驗(yàn)證碼的圖片進(jìn)一步思考解決策略:首先獲取網(wǎng)頁(yè)上圖片的css屬性,根據(jù)size和location算出圖片的坐標(biāo);然后截屏;最后用這個(gè)坐標(biāo)進(jìn)一步去處理截屏即可(由于驗(yàn)證碼js的特殊性,不能簡(jiǎn)單獲取img的href后下載圖片后讀取識(shí)別,會(huì)導(dǎo)致前后不匹配)
img = driver.find_element_by_xpath('//img[@id="valiCode"]') time.sleep(1) location = img.location size = img.size # left = location['x'] # top = location['y'] # right = left + size['width'] # bottom = top + size['height'] left = 2 * location['x'] top = 2 * location['y'] right = left + 2 * size['width'] - 10 bottom = top + 2 * size['height'] - 10 driver.save_screenshot('valicode.png') page_snap_obj = Image.open('valicode.png') image_obj = page_snap_obj.crop((left, top, right, bottom)) image_obj.show()
正常情況下直接使用注釋的四行代碼即可,但不同的電腦不同的瀏覽器,縮放倍率存在差異,因此如果截取出的圖存在偏差這需要考慮乘上倍率系數(shù)。最后可以再加減數(shù)值進(jìn)行微調(diào)
可以看到圖片這成功截取出來(lái)了!
這個(gè)閾值需要具體用Photoshop或者其他工具嘗試,即找到一個(gè)像素閾值能夠?qū)⒒叶葓D片中真實(shí)數(shù)據(jù)和背景干擾分開(kāi),本例經(jīng)測(cè)試閾值為205
img = image_obj.convert("L") # 轉(zhuǎn)灰度圖 pixdata = img.load() w, h = img.size threshold = 205 # 遍歷所有像素,大于閾值的為黑色 for y in range(h): for x in range(w): if pixdata[x, y] < threshold: pixdata[x, y] = 0 else: pixdata[x, y] = 255
根據(jù)像素二值結(jié)果重新生成圖片
data = img.getdata() w, h = img.size black_point = 0 for x in range(1, w - 1): for y in range(1, h - 1): mid_pixel = data[w * y + x] if mid_pixel < 50: top_pixel = data[w * (y - 1) + x] left_pixel = data[w * y + (x - 1)] down_pixel = data[w * (y + 1) + x] right_pixel = data[w * y + (x + 1)] if top_pixel < 10: black_point += 1 if left_pixel < 10: black_point += 1 if down_pixel < 10: black_point += 1 if right_pixel < 10: black_point += 1 if black_point < 1: img.putpixel((x, y), 255) black_point = 0 img.show()
圖像處理前后對(duì)比如下
將處理后的圖片就給谷歌的文字識(shí)別引擎就能完成識(shí)別
result = pytesseract.image_to_string(img) # 可能存在異常符號(hào),用正則提取其中的數(shù)字 regex = '\d+' result = ''.join(re.findall(regex, result)) print(result)
識(shí)別結(jié)果如下
在處理完驗(yàn)證碼之后,現(xiàn)在我們就可以向網(wǎng)站提交賬號(hào)密碼、驗(yàn)證碼等登陸所需信息
driver.find_element_by_name('code').send_keys(result) driver.find_element_by_name('userName').send_keys('xxx') driver.find_element_by_name('password').send_keys('xxx') # 最后點(diǎn)擊確定 driver.find_element_by_xpath("//div[@class='form-group login-input'][3]").click()
需要注意的是,二值法識(shí)別驗(yàn)證碼成功率不是100%,因此需要考慮到驗(yàn)證碼識(shí)別錯(cuò)誤,需要單擊圖片更換驗(yàn)證碼重新識(shí)別,可以將上述代碼拆解成多個(gè)函數(shù)后,用如下循環(huán)框架試錯(cuò)
while True: try: ... break except: driver.find_element_by_id('valiCode').click()
關(guān)于“Python爬蟲(chóng)中破解驗(yàn)證碼識(shí)別和彈窗處理”這篇文章就分享到這里了,希望以上內(nèi)容可以對(duì)大家有一定的幫助,使各位可以學(xué)到更多知識(shí),如果覺(jué)得文章不錯(cuò),請(qǐng)把它分享出去讓更多的人看到。
網(wǎng)站欄目:Python爬蟲(chóng)中破解驗(yàn)證碼識(shí)別和彈窗處理
本文網(wǎng)址:http://bm7419.com/article28/igdscp.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián),為您提供域名注冊(cè)、網(wǎng)站排名、App設(shè)計(jì)、網(wǎng)站收錄、網(wǎng)站導(dǎo)航、軟件開(kāi)發(fā)
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶(hù)投稿、用戶(hù)轉(zhuǎn)載內(nèi)容為主,如果涉及侵權(quán)請(qǐng)盡快告知,我們將會(huì)在第一時(shí)間刪除。文章觀(guān)點(diǎn)不代表本網(wǎng)站立場(chǎng),如需處理請(qǐng)聯(lián)系客服。電話(huà):028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載,或轉(zhuǎn)載時(shí)需注明來(lái)源: 創(chuàng)新互聯(lián)