Python 爬虫验证码识别

在我们进行爬虫的过程中，经常会碰到有些网站会时不时弹出来验证码识别。我们该如何解决呢？这里分享 2 种我尝试过的方法。
spider-captcha-1

0.验证码示例

spider-captcha-example

1.OpenCV + pytesseract

使用 Python 中的 OpenCV 库进行图像预处理（边缘保留滤波、灰度化、二值化、形态学操作和逻辑运算），然后结合 pytesseract 进行文字识别。

pytesseract 需要配合安装在本地的 tesseract-ocr.exe 文件一起使用，tesseract-ocr.exe 安装教程可参考这里：Tesseract Ocr 文字识别，

1.1 代码


import cv2 as cv
import pytesseract
from PIL import Imagedef recognize_text(image):# 边缘保留滤波  去噪blur =cv.pyrMeanShiftFiltering(image, sp=8, sr=60)cv.imshow('dst', blur)# 灰度图像gray = cv.cvtColor(blur, cv.COLOR_BGR2GRAY)# 二值化ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)print(f'二值化自适应阈值：{ret}')cv.imshow('binary', binary)# 形态学操作  获取结构元素  开操作kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 2))bin1 = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel)cv.imshow('bin1', bin1)kernel = cv.getStructuringElement(cv.MORPH_OPEN, (2, 3))bin2 = cv.morphologyEx(bin1, cv.MORPH_OPEN, kernel)cv.imshow('bin2', bin2)# 逻辑运算  让背景为白色  字体为黑  便于识别cv.bitwise_not(bin2, bin2)cv.imshow('binary-image', bin2)# 识别test_message = Image.fromarray(bin2)text = pytesseract.image_to_string(test_message)print(f'识别结果：{text}')src = cv.imread(r'./spider-captcha-example.png')
cv.imshow('input image', src)
recognize_text(src)
cv.waitKey(0)
cv.destroyAllWindows()

1.2 效果

spider-captcha-2

可以看到，由于验证码背景的干扰，效果并不是很理想。

2.muggle_ocr

muggle_ocr 是一款轻量级的 ocr 识别库，使用非常简单，其强项主要是用于识别各类验证码。

2.1 代码


import cv2 as cv
import pytesseract
from PIL import Imageimport muggle_ocrsdk = muggle_ocr.SDK(model_type=muggle_ocr.ModelType.Captcha)def recognize_text():with open(r'./spider-captcha-example.png', "rb") as f:image_binary = f.read()text = sdk.predict(image_bytes=image_binary)print(f'识别结果：{text}')recognize_text()

2.2 效果

spider-captcha-3

可以看到，效果十分显著，成功率十分高。

3.自动填写验证码

某些网站的验证码时时刻刻会发生变化，我们无法通过验证码的 URL 去访问验证码图片。

需要另辟蹊径，采用截图的方式保存包含验证码的一屏图。
然后通过坐标裁剪目标区域的验证码，使用 muggle_ocr 的 predict 方法识别裁剪后的图片。
将识别结果填入输入框，点击确定。
DOM 结构见首图。

sdk = muggle_ocr.SDK(model_type=muggle_ocr.ModelType.Captcha)def recognize_text(self):try:myModal = self.driver.find_element(By.XPATH, '//div[@id="myModal"]')captcha = myModal.find_element(By.XPATH, './div/div/div[2]/img')captcha_path = os.path.join(self.path, f'captcha.png')self.driver.save_screenshot(captcha_path)  # 截取当前窗口并保存图片im = Image.open(captcha_path)  # 打开截图im = im.crop((772, 103, 869, 143))  # 裁剪截图获取验证码im.save(captcha_path) # 保存裁剪后图片with open(captcha_path, "rb") as f:image_binary = f.read()text = self.sdk.predict(image_bytes=image_binary)myModal.find_element(By.XPATH, './div/div/div[2]/input[@id="verifyCode"]').send_keys(text) # 将识别结果填入输入框myModal.find_element(By.XPATH, './div/div/div[3]/button[2]').click() # 点击确定按钮try:sleep(0.5)alert = self.driver.switch_to.alert # 验证码输入错误的弹窗print(f"{text}，验证码输入错误，重新尝试中...")alert.accept() # 点击弹窗的确认按钮关闭弹窗captcha.click() # 点击验证码进行刷新self.recognize_text()except NoAlertPresentException: # 如果没有弹窗出现，表明验证码输入正确print(f"{text}，验证码输入正确")except Exception as e:raise Exception(f"验证码识别错误: {e}")