Python爬虫遇到验证码的几种处理方式,文章末尾有源码

时间:2022-12-05 21:03:20

最近事情其实挺多了,打了一下蓝桥杯的比赛, 还在准备着一些证书的考试, 关于爬虫之类的博客都搁着了一段时间了, 关于我自己确实有点退步了, 实属不该, 其实我自己也是在想, 大三了,到底我是要去考研,还是依然像这样更新换代的学技术, 再或者, 继续钻爬虫这路子, 虽然我也不知道这路走的顺不顺, 自己也有点抓不住光明, 这段时间,大概花了一个多月的晚上吧, 终于把Django 的大致过了一次, 剩下的就是对着官方文档和一些实际项目操作了, 这些我也会打算开一个专栏,来专门记录一下我学习Django 的一些心酸道路, 学习依旧是这样, 你不学习,就会失去, 很是莫名其妙, 真的很奇怪, 某人的奖学金是靠关系的, 某项目的获奖者仅仅只是临时换了一个名字,。。。

不管这些了,无所谓的东西, 这边博客,将处理图片验证码的2个比较优秀的方式进行了一次封装, 分别是百度的aip 和 一个最近火起来的识别muggle-ocr

这里要主要提一下百度的aip,这里面的东西是真的多, 我还扩展了一个识别色情图片的函数, 有兴趣的可以玩一玩, 另外 学了爬虫之后, 这些图片真的是应接不暇, 网站也是多的数不胜数, 希望净网行动加把劲, 剩下的就不比比了, 看实际操作吧。

本篇文章介绍了爬虫中验证码的处理方式, 并把这些功能封装起来,供我们使用, 涉及到百度AIP的调用方式, 以及一个最新的开源库muggle识别库的使用。

目录:

  • 学会调用百度的aip接口:
  • 扩展百度的色情识别接口:
  • 学会muggle_ocr 识别接口:

封装源码:

学会调用百度的aip接口:

  • 1. 首先需要注册一个账号:
  • https://login.bce.baidu.com/

注册完成之后登入

2. 创建项目

在这些技术里面找到文字识别,然后点击创建一下项目

Python爬虫遇到验证码的几种处理方式,文章末尾有源码

创建完成之后:

Python爬虫遇到验证码的几种处理方式,文章末尾有源码

图片中 AppID , API key, Secret Key 这些待会是需要用的。

下一步可以查看官网文档,或者直接使用我写的代码

3. 安装一下依赖库 pip install baidu-aip

这只是一个接口, 需要前面的一些设置。

def return_ocr_by_baidu(self, test_image): 

        ""

        ps: 先在__init__  函数中完成你自己的baidu_aip 的一些参数设置 

 

        这次测试使用 高精度版本测试 

                    如果速度很慢 可以换回一般版本 

                    self.client.basicGeneral(image, options) 

                    相关参考网址: 

                    https://cloud.baidu.com/doc/OCR/s/3k3h7yeqa 

        :param test_image: 待测试的文件名称 

        :return:  返回这个验证码的识别效果 如果错误  可以多次调用 

        ""

        image = self.return_image_content(test_image=self.return_path(test_image)) 

 

        # 调用通用文字识别(高精度版) 

        # self.client.basicAccurate(image) 

 

        # 如果有可选参数 相关参数可以在上面的网址里面找到 

        options = {} 

        options["detect_direction"] = "true" 

        options["probability"] = "true" 

 

        # 调用 

        result = self.client.basicAccurate(image, options) 

        result_s = result['words_result'][0]['words'

        # 不打印关闭 

        print(result_s) 

        if result_s: 

            return result_s.strip() 

        else

            raise Exception("The result is None , try it !"

扩展百度的色情识别接口:

我们写代码肯定是要找点乐子的, 不可能这么枯燥无味吧?

色情识别接口在 内容审核中, 找一下就可以了。

调用方式源码:

# -*- coding :  utf-8 -*- 

# @Time      :  2020/10/22  17:30 

# @author    :  沙漏在下雨 

# @Software  :  PyCharm 

# @CSDN      :  https://me.csdn.net/qq_45906219 

 

from aip import AipContentCensor 

from ocr import MyOrc 

 

 

class Auditing(MyOrc): 

    ""

    这是一个调用百度内容审核的aip接口 

    主要用来审核一些色情 反恐 恶心 之类的东西 

    网址:  https://ai.baidu.com/ai-doc/ANTIPORN/tk3h6xgkn 

    ""

 

    def __init__(self): 

        # super().__init__() 

        APP_ID = '填写你的ID' 

        API_KEY = '填写你的KEY' 

        SECRET_KEY = '填写你的SECRET_KEY' 

 

        self.client = AipContentCensor(APP_ID, API_KEY, SECRET_KEY) 

 

    def return_path(self, test_image): 

        return super().return_path(test_image) 

 

    def return_image_content(self, test_image): 

        return super().return_image_content(test_image) 

 

    def return_Content_by_baidu_of_image(self, test_image, mode=0): 

        ""

        继承ocr中的一些方法, 因为都是放一起的 少些一点代码 

        内容审核: 关于图片中是否存在一些非法不良信息 

        内容审核还可以实现文本审核 我觉得有点鸡肋  就没一起封装进去 

        url: https://ai.baidu.com/ai-doc/ANTIPORN/Wk3h6xg56 

        :param test_image: 待测试的图片 可以本地文件 也可以网址 

        :param mode:  默认 = 0 表示 识别的本地文件   mode = 1 表示识别的图片网址连接 

        :return: 返回识别结果 

        ""

        if mode == 0: 

            filepath = self.return_image_content(self.return_path(test_image=test_image)) 

        elif mode == 1: 

            filepath = test_image 

        else

            raise Exception("The mode is 0 or 1 but your mode is ", mode) 

        # 调用色情识别接口 

        result = self.client.imageCensorUserDefined(filepath) 

 

        # """ 如果图片是url调用如下 """ 

        # result = self.client.imageCensorUserDefined('http://www.example.com/image.jpg'

        print(result) 

        return result 

 

 

a = Auditing() 

a.return_Content_by_baidu_of_image("test_image/2.jpg", mode=0) 

学会muggle_ocr 识别接口:

这个包是最近火起来的, 使用起来很简单, 没多少其他函数

  • 安装 pip install muggle-ocr 这个下载有点慢 最好使用手机热点 目前镜像网站(清华/阿里) 还没有更新到这个包 因为这个包是最新的一个ocr模型 12
  • 调用接口

def return_ocr_by_muggle(self, test_image, mode=1): 

       ""

           调用这个函数使用 muggle_ocr 来进行识别 

           :param  test_image  待测试的文件名称 最好绝对路径 

           :param  模型 mode = 0  即 ModelType.OCR 表示识别普通印刷文本 

                 当 mode = 1 默认  即 ModelType.Captcha 表示识别4-6位简单英输验证码 

 

           官方网站: https://pypi.org/project/muggle-ocr/ 

           :return: 返回这个验证码的识别结果 如果错误 可以多次调用 

       ""

       # 确定识别物品 

       if mode == 1: 

           sdk = muggle_ocr.SDK(model_type=muggle_ocr.ModelType.Captcha) 

       elif mode == 0: 

           sdk = muggle_ocr.SDK(model_type=muggle_ocr.ModelType.OCR) 

       else

           raise Exception("The mode is 0 or 1 , but your mode  == ", mode) 

 

       filepath = self.return_path(test_image=test_image) 

 

       with open(filepath, 'rb'as fr: 

           captcha_bytes = fr.read() 

           result = sdk.predict(image_bytes=captcha_bytes) 

           # 不打印关闭 

           print(result) 

           return result.strip() 

封装源码:

# -*- coding :  utf-8 -*- 

# @Time      :  2020/10/22  14:12 

# @author    :  沙漏在下雨 

# @Software  :  PyCharm 

# @CSDN      :  https://me.csdn.net/qq_45906219 

 

import muggle_ocr 

import os 

from aip import AipOcr 

 

""

    PS: 这个作用主要是作了一个封装 把2个常用的图片/验证码识别方式合在一起 怎么用 取决于自己 

     

    接口1: muggle_ocr  

          pip install muggle-ocr 这个下载有点慢 最好使用手机热点 

          目前镜像网站(清华/阿里)  还没有更新到这个包 因为这个包是最新的一个ocr模型 

           

    接口2: baidu-aip 

          pip install baidu-aip 

          这个知道的人应该很多很多, 但是我觉得还是muggle 这个新包猛的一比 

          调用方式 可以参考官网文档: https://cloud.baidu.com/doc/OCR/index.html 

          或者使用我如下的方式  都是ok的 

    :param image_path  待识别的图片路径  如果目录很深 推荐使用绝对路径 

     

""

 

 

class MyOrc: 

    def __init__(self): 

        # 设置一些必要信息 使用自己百度aip的内容 

        APP_ID = '你的ID' 

        API_KEY = '你的KEY' 

        SECRET_KEY = '你的SECRET_KEY' 

 

        self.client = AipOcr(APP_ID, API_KEY, SECRET_KEY) 

 

    def return_path(self, test_image): 

 

        """:return abs image_path""" 

        # 确定路径 

        if os.path.isabs(test_image): 

            filepath = test_image 

        else

            filepath = os.path.abspath(test_image) 

        return filepath 

 

    def return_image_content(self, test_image): 

        """:return the image content """ 

        with open(test_image, 'rb'as fr: 

            return fr.read() 

 

    def return_ocr_by_baidu(self, test_image): 

        ""

        ps: 先在__init__  函数中完成你自己的baidu_aip 的一些参数设置 

 

        这次测试使用 高精度版本测试 

                    如果速度很慢 可以换回一般版本 

                    self.client.basicGeneral(image, options) 

                    相关参考网址: 

                    https://cloud.baidu.com/doc/OCR/s/3k3h7yeqa 

        :param test_image: 待测试的文件名称 

        :return:  返回这个验证码的识别效果 如果错误  可以多次调用 

        ""

        image = self.return_image_content(test_image=self.return_path(test_image)) 

 

        # 调用通用文字识别(高精度版) 

        # self.client.basicAccurate(image) 

 

        # 如果有可选参数 相关参数可以在上面的网址里面找到 

        options = {} 

        options["detect_direction"] = "true" 

        options["probability"] = "true" 

 

        # 调用 

        result = self.client.basicAccurate(image, options) 

        result_s = result['words_result'][0]['words'

        # 不打印关闭 

        print(result_s) 

        if result_s: 

            return result_s.strip() 

        else

            raise Exception("The result is None , try it !"

 

    def return_ocr_by_muggle(self, test_image, mode=1): 

        ""

            调用这个函数使用 muggle_ocr 来进行识别 

            :param  test_image  待测试的文件名称 最好绝对路径 

            :param  模型 mode = 0  即 ModelType.OCR 表示识别普通印刷文本 

                  当 mode = 1 默认  即 ModelType.Captcha 表示识别4-6位简单英输验证码 

 

            官方网站: https://pypi.org/project/muggle-ocr/ 

            :return: 返回这个验证码的识别结果 如果错误 可以多次调用 

        ""

        # 确定识别物品 

        if mode == 1: 

            sdk = muggle_ocr.SDK(model_type=muggle_ocr.ModelType.Captcha) 

        elif mode == 0: 

            sdk = muggle_ocr.SDK(model_type=muggle_ocr.ModelType.OCR) 

        else

            raise Exception("The mode is 0 or 1 , but your mode  == ", mode) 

 

        filepath = self.return_path(test_image=test_image) 

 

        with open(filepath, 'rb'as fr: 

            captcha_bytes = fr.read() 

            result = sdk.predict(image_bytes=captcha_bytes) 

            # 不打印关闭 

            print(result) 

            return result.strip() 

 

 

# a = MyOrc() 

 

# a.return_ocr_by_baidu(test_image='test_image/digit_img_1.png'