Python 爬虫简单验证码识别和抓包

2020 年 2 月 13 日
筆記

OCR 即Optical Character Recognition, 光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。
tesserocr 是Python的一个OCR识别库。GitHub：https://github.com/tesseract-ocr/tesseract

1 软件安装：

注意：在安装tesserocr前都需要先安装tesseract，具体说明如下：

pip install tesserocr #安装tesserocr    pip install pillow # 图片处理目录    注意：    在mac下安装tesserocr ，需要先安装下面的软件  brew install tesseract --all-languages  brew install imagemagick    在：Ubuntu、Debian 系统下先安装：  sudo apt-get intall -y tesseract-ocr libtesseract-dev libleptonica-dev  在：CentOS、Red Hat 系统：  yum install -y tesseract    在windows安装tesserocr前要先安装：tesseract 他是为tesserocr提供支持的  下载目录：https://digi.bib.uni-mannheim.de/tesseract/ 会有很多下载文件，下载一个3.0版本的exe文件即可  在安装中要勾选上Additional language data(download)选项来安装OCR识别支持的语言包

2 具体使用：

简单识别验证码

#验证识别测试  import tesserocr  from PIL import Image    #打开图片  image = Image.open("./code/5.png")    #识别验证码  result = tesserocr.image_to_text(image)    print(result)

进一步优化：

验证码的深度处理，如转灰度、二值化等操作

#验证识别测试  import tesserocr  from PIL import Image    image = Image.open("./code/5.png")  #将图片转化为灰度图像  image = image.convert("L")  threshold = 127  table=[]  for i in range(256):      if i < threshold:          table.append(0)      else:          table.append(1)  image = image.point(table,'1')  #识别验证码  result = tesserocr.image_to_text(image)    print(result)

Fiddler抓包工具：

Fiddler（中文名称：小提琴）是一个HTTP的调试代理，以代理服务器的方式，监听系统的Http网络数据流动
Fiddler是一个http协议调试代理工具，它能够记录并检查所有你的电脑和互联网之间的http通讯，设置断点，查看所有的“进出”Fiddler的数据（指cookie,html,js,css等文件，这些都可以让你胡乱修改的意思）。
Fiddler 要比其他的网络调试器要更加简单，因为它不仅仅暴露http通讯还提供了一个用户友好的格式。
官方网址：https://www.telerik.com/fiddler
文档地址：http://docs.telerik.com/fiddler/configure-fiddler/tasks/configurefiddler
运行过程：