ant4 多个form 验证_爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别...
点击上方“早起Python”,关注并“星标”
每日接收Python干货!
本文含 3321 字,9代码片段建议阅读 8 分钟
前言
在我们写爬虫的过程中,目标网站常见的干扰手段就是设置验证码等,本就将基于Selenium
实战讲解如何处理弹窗和验证码,爬取的目标网站为某仪器预约平台
可以看到登录所需的验证码构成比较简单,是彩色的标准数字配合简单的背景干扰
因此这里的验证码识别不需要借助人工智能的手段,可直接利用二值法对图片处理后交给谷歌的识别引擎tesseract-OCR
即可获得图中的数字。
注:selenium
和 tesseract
的配置读者可自行搜索,本文不做介绍)
Python实战
首先导入所需模块
import re# 图片处理from PIL import Image# 文字识别import pytesseract# 浏览器自动化from selenium import webdriverimport time
解决弹出框问题
先尝试打开示例网站
url = 'http://lims.gzzoc.com/client'driver = webdriver.Chrome()driver.get(url)time.sleep(30)
有趣的地方出现了,网站显示了一个我们前面没有看到的弹窗,简单说一下弹窗的知识点,初学者可以将弹出框简单分为alert
和非alert
alert
式弹出框
alert(message)
方法用于显示带有一条指定消息和一个 OK 按钮的警告框confirm(message)
方法用于显示一个带有指定消息和 OK 及取消按钮的对话框prompt(text,defaultText)
方法用于显示可提示用户进行输入的对话框
看一下这个弹出框的js是怎么写的:
看起来似乎是alert式弹出框,那么直接用driver.switch_to.alert
吗?先不急
非传统alert式
弹出框的处理
- 弹出框位于
div
层,跟平常定位方法一样- 弹出框是嵌套的
iframe
层,需要切换iframe- 弹出框位于嵌套的
handle
,需要切换窗口
所以我们对这个弹出框进行元素审查
所以问题实际上很简单,直接定位按钮并点击即可
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()
获取图片位置并截图
二值法处理验证码的简单思路如下:
- 切割截取验证码所在的图片
- 转为灰度后二值法将有效信息转为黑,背景和干扰转为白色
- 处理后的图片交给文字识别引擎
- 输入返回的结果并提交
切割截取验证码的图片进一步思考解决策略:首先获取网页上图片的css属性,根据size和location算出图片的坐标;然后截屏;最后用这个坐标进一步去处理截屏即可(由于验证码js的特殊性,不能简单获取img的href后下载图片后读取识别,会导致前后不匹配)
img = driver.find_element_by_xpath('//img[@id="valiCode"]')time.sleep(1)location = img.locationsize = 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'] - 10bottom = top + 2 * size['height'] - 10driver.save_screenshot('valicode.png')page_snap_obj = Image.open('valicode.png')image_obj = page_snap_obj.crop((left, top, right, bottom))image_obj.show()
正常情况下直接使用注释的四行代码即可,但不同的电脑不同的浏览器,缩放倍率存在差异,因此如果截取出的图存在偏差这需要考虑乘上倍率系数。最后可以再加减数值进行微调
可以看到图片这成功截取出来了!
验证码图片的进一步处理
这个阈值需要具体用Photoshop或者其他工具尝试,即找到一个像素阈值能够将灰度图片中真实数据和背景干扰分开,本例经测试阈值为205
img = image_obj.convert("L") # 转灰度图pixdata = img.load()w, h = img.sizethreshold = 205# 遍历所有像素,大于阈值的为黑色for y in range(h): for x in range(w): if pixdata[x, y] pixdata[x, y] = 0 else: pixdata[x, y] = 255
根据像素二值结果重新生成图片
data = img.getdata()w, h = img.sizeblack_point = 0for 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 = 0img.show()
图像处理前后对比如下
文字识别
将处理后的图片就给谷歌的文字识别引擎就能完成识别
result = pytesseract.image_to_string(img)# 可能存在异常符号,用正则提取其中的数字regex = '\d+'result = ''.join(re.findall(regex, result))print(result)
识别结果如下
提交账号密码、验证码等信息
在处理完验证码之后,现在我们就可以向网站提交账号密码、验证码等登陆所需信息
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')# 最后点击确定driver.find_element_by_xpath("//div[@class='form-group login-input'][3]").click()
需要注意的是,二值法识别验证码成功率不是100%,因此需要考虑到验证码识别错误,需要单击图片更换验证码重新识别,可以将上述代码拆解成多个函数后,用如下循环框架试错
while True: try: ... break except: driver.find_element_by_id('valiCode').click()
为了方便理解,代码的书写没有以函数形式呈现,欢迎读者自行尝试修改!
小结
成功登录后就可以获得个人的cookies
,接下来可以继续用selenium进行浏览器自动化或者把cookies
传给requests
,后面就能爬取需要的信息做分析或者实现一些自动化功能,但由于涉及到的爬虫知识点比较多,我们会在后续的爬虫专题文章中进行分享!
往期精选(?猛戳可查看)
10行Python代码竟能实现这些骚操作
Python随机森林预测实战
今日干货已送达又学到一招点击下方三连签收?收到收到
ant4 多个form 验证_爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别...相关推荐
- python爬虫遇到验证码、输入验证码后提醒验证码错误_爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别...
前言 在我们写爬虫的过程中,目标网站常见的干扰手段就是设置验证码等,本就将基于Selenium实战讲解如何处理弹窗和验证码,爬取的目标网站为某仪器预约平台 可以看到登录所需的验证码构成比较简单,是彩色 ...
- 爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别
点击上方"Python爬虫与数据挖掘",进行关注 回复"书籍"即可获赠Python从入门到进阶共10本电子书 今 日 鸡 汤 远芳侵古道,晴翠接荒城. 前言 在 ...
- float js 正则 验证_爬虫篇 | 200 行代码实现一个滑动验证码
最近整理一个爬虫系列方面的文章,不管大家的基础如何,我从头开始整一个爬虫系列方面的文章,让大家循序渐进的学习爬虫,小白也没有学习障碍. 爬虫篇 | Python使用正则来爬取豆瓣图书数据 爬虫篇 | ...
- ant4 多个form 验证_ant-design表单处理和常用方法及自定义验证操作
首先要说一下antdesign这个框架API和demo丰富,而且开发环境提供对应的warning来纠正用户的错误.是一个很好的组件库. 关于表单验证方面是依赖于 async-validator 库.百 ...
- 复制url直接能跳过验证_爬虫黑科技-绕开百度人机验证
是的你没有看错,我们要"搞"的对象就是百度指数这个网站,不知道你平时是否会应用到这里面的数据呢? 今天的主要目标就是使用无头浏览器登录百度指数网站,并且绕开它的人机验证,不知道你发 ...
- python爬虫百度安全验证_爬虫黑科技-绕开百度人机验证
是的你没有看错,我们要"搞"的对象就是百度指数这个网站,不知道你平时是否会应用到这里面的数据呢? 今天的主要目标就是使用无头浏览器登录百度指数网站,并且绕开它的人机验证,不知道你发 ...
- 爬虫模拟登陆手机验证码_爬虫入门到精通-headers的详细讲解(模拟登录知乎)...
本文章属于爬虫入门到精通系统教程第七讲 直接开始案例吧. 本次我们实现如何模拟登陆知乎. 1.抓包 1. 首先打开知乎登录页 知乎 - 与世界分享你的知识.经验和见解 注意打开开发者工具后点击&quo ...
- python爬虫常用流程_爬虫采集基本流程,python爬虫框架排行榜
爬虫其实是通过伪装数据,借用代理IP工具,并模仿用户行为实现采集信息,这爬虫采集基本流程是怎样的呢?爬虫的框架影响采集的效果,在编写爬虫之前,选择怎么样的爬虫框架好? 今天就跟智连代理小编去看看pyt ...
- python中headers的作用_爬虫入门到精通-headers的详细讲解(模拟登录知乎)
直接开始案例吧. 本次我们实现如何模拟登陆知乎. 1.抓包 注意打开开发者工具后点击"preserve log",密码记得故意输入错误,然后点击登录 我们很简单的就找到了 我们需要 ...
最新文章
- short s1 = 1; s1 = s1 + 1;有错而short s1 = 1; s1 += 1正确
- Element-ui表格选中回显
- hibernate 悲观锁乐观锁
- ubuntu16.04中成功安装ROS后,小海龟示例
- python--面向对象--14
- 开辟经济发展的第二战场
- ​KDD 2019 | 用户视角看世界:腾讯提出ConcepT概念挖掘系统,助力推荐搜索
- Mono,CLR,.net,Net Framework之间的关系
- SQL Server2008 表旋转(pivot)技术
- 自写小函数处理 javascript 0.3*0.2 浮点类型相乘问题
- mysql 开源监控软件_开源MySQL_Monito 图形可视化监控工具
- PhotoShop简单案例(3)——利用ps实现多图合成(多张小图片拼成一张大图片)
- word服务器无响应又没有保存怎么办,电脑突然死机Word没保存?教你一个小妙招,三秒快速恢复...
- 根据日期获取周数的计算
- 构建自己的Linux 之三 初步完善(提供网络功能等)
- find:paths must precede expression问题及解决
- 微信小程序毕业设计 基于微信会议室预约小程序系统开题报告
- 万字长文详解华为方舟编译器的荣光和使命
- 量子计算与量子信息之量子信息概述
- php判断用户和管理员,php – 检查用户是否是root用户
热门文章
- android 加载显示富文本——TextView显示富文本和WebView显示富文本,WebView显示图片适配屏幕宽度
- Java核心技术36讲
- git版本管理工具学习
- 第五章 编写主引导扇区代码
- 网易邮箱写邮件HTML转换按钮,网易邮箱推出虚拟场景写信功能 身临其境写邮件...
- oracle linux6 u盘安装,U盘安装RHEL6
- jvm的新生代和老年代简介
- charles抓包工具使用指南
- 九度oj题目1518:反转链表
- php模拟post提交数据,用处很多,可用来网站的采集,登陆等等