验证码
当我们在爬取某些网站的时候，对于一些频繁请求，网站会识别你是机器还是人。如果是机器，直接不允许你访问这个网站了，直接返回404或者禁止访问。
最常见的方式就是验证码。验证码的主要功能就是区分当前访问网站的是人还是代码。越难识别或者越模糊的验证码区分能力却强。网站想方设法的搞一些手段来对付技术，就是想让服务器不用承受代码大量访问的压力，这样就能够为正常用户提供流畅的服务了。
但是，技术又能对付人们的想法。一来一去，就有了各种各样的变态验证码，也有了各种各样的应对方式。
常见的验证码有这么几种：
图像验证语音验证短信验证极验验证点击验证
如何识别图像验证码
来看看这些图片验证码：
这些验证码大多是数字和字母组成，然后在此之上再添加一些模糊的噪点或者横线竖线，或者把这些字符扭曲一下，增加识别难度。
接下来我们思考一下，我们要识别这类验证码要怎么做呢？
首先要处理一下验证码图片，什么乱七八糟的噪点都尽量把它们去掉，让图片尽量黑白，尽量只剩下字符本身，然后再用 python 强大的 OCR 工具：
Python-tesseract
来识别我们优化好的图片，这样正确率就会大大的提高。
我们用 python 搞几张识别难度不同的验证码：
第一张
难度系数： ★，一颗星
第二张
难度系数： ★★，两颗星
第三张
难度系数： ★★★，三颗星
第四张
难度系数： ★★★★，四颗星
第五张
难度系数 ： ★★★★★，五颗星
先对第一张进行识别。第一张看起来比较清晰，识别起来没有难度。
先安装一下 pytesseract ：
pipinstallpytesseract
接着安装一下 tesseract-ocr：
如果是 ubuntu 系统可以直接使用如下命令安装：
sudoaptinstalltesseract-ocr
如果是 win 系统自行百度一下安装 tesseract-ocr 以及环境变量配置。
完了之后就导入相关模块到代码文件中：
try: from PIL import Imageexcept ImportError: import Imageimport pytesseract
接着打开第一张图片，使用 pytesseract 识别，打印出结果：
captcha = Image.open("captcha1.png")result = pytesseract.image_to_string(captcha)print(result)
结果：
识别成功！
接着来识别第 2 张：
captcha = Image.open("claptcha2.png")result = pytesseract.image_to_string(captcha)print(result)
结果是
1924，结果有误！pytesseract 准确率没那么高，没办法识别太多噪点的图片。如果这个图片再加上一点彩色背景如下图：
对 pytesseract 来说更有难度。
所以我们先对这张图片灰度处理一下：
captcha = Image.open("captcha2.png")result = captcha.convert('L')result.show()
图片就变成灰了：
虽然灰了，但是还不够。除了处理灰度还需要对其进行“二值化”：
def convert_img(img,threshold): img = img.convert("L") # 处理灰度 pixels = img.load() for x in range(img.width): for y in range(img.height): if pixels[x, y] > threshold:pixels[x, y] = 255 else:pixels[x, y] = 0 return img
调用一下：
convert_img(captcha,150)
图片就变成了：
非常清晰！
这时候对这张图片识别一下：
# 识别一下result = pytesseract.image_to_string(result)print(result)
成功识别！
接下来再来看看有毛有噪的图片：
这时候直接去识别是识别不出来的。所以还是老办法，先处理灰度，再进行“二值化”。这次再降一下噪：
data = img.getdata() w,h = img.size count = 0 for x in range(1,h-1): for y in range(1, h - 1): # 找出各个像素方向 mid_pixel = data[w * y + x] if mid_pixel == 0: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 == 0:count += 1if left_pixel == 0:count += 1if down_pixel == 0:count += 1if right_pixel == 0:count += 1if count > 4:img.putpixel((x, y), 0)
图片变成这样了：
再识别一下：
不过，pytesseract 不是万能的，对于稍微复杂一点的就识别不出来了。至于这张：
我们肉眼都很难看出它是 1l1l0oO0，更不要说用代码去识别了，所以 pytesseract 也识别不了。
对于一些简单的验证码，使用 pytesseract 还是可以的。如果我们想提高 pytesseract 识别率，还可以去搞些图片去训练一下 tesseract-ocr。这样，当我们遇到一些登录需要验证码的网站时，直接引入本文识别验证码的方法就可以继续爬数据了。
