Python 爬蟲簡單驗證碼識別和抓包

  • 2020 年 2 月 13 日
  • 筆記

  • OCR 即Optical Character Recognition, 光學字元識別，是指通過掃描字元，然後通過其形狀將其翻譯成電子文本的過程。
  • tesserocr 是Python的一個OCR識別庫。GitHub：https://github.com/tesseract-ocr/tesseract

1 軟體安裝：

  • 注意：在安裝tesserocr前都需要先安裝tesseract，具體說明如下：
pip install tesserocr #安裝tesserocr    pip install pillow # 圖片處理目錄    注意：    在mac下安裝tesserocr ，需要先安裝下面的軟體  brew install tesseract --all-languages  brew install imagemagick    在：Ubuntu、Debian 系統下先安裝：  sudo apt-get intall -y tesseract-ocr libtesseract-dev libleptonica-dev  在：CentOS、Red Hat 系統：  yum install -y tesseract    在windows安裝tesserocr前要先安裝：tesseract 他是為tesserocr提供支援的  下載目錄：https://digi.bib.uni-mannheim.de/tesseract/ 會有很多下載文件，下載一個3.0版本的exe文件即可  在安裝中要勾選上Additional language data(download)選項來安裝OCR識別支援的語言包

2 具體使用：

  • 簡單識別驗證碼
#驗證識別測試  import tesserocr  from PIL import Image    #打開圖片  image = Image.open("./code/5.png")    #識別驗證碼  result = tesserocr.image_to_text(image)    print(result)

進一步優化：

  • 驗證碼的深度處理，如轉灰度、二值化等操作
#驗證識別測試  import tesserocr  from PIL import Image    image = Image.open("./code/5.png")  #將圖片轉化為灰度影像  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')  #識別驗證碼  result = tesserocr.image_to_text(image)    print(result)

Fiddler抓包工具：

  • Fiddler（中文名稱：小提琴）是一個HTTP的調試代理，以代理伺服器的方式，監聽系統的Http網路數據流動
  • Fiddler是一個http協議調試代理工具，它能夠記錄並檢查所有你的電腦和互聯網之間的http通訊，設置斷點，查看所有的「進出」Fiddler的數據（指cookie,html,js,css等文件，這些都可以讓你胡亂修改的意思）。
  • Fiddler 要比其他的網路調試器要更加簡單，因為它不僅僅暴露http通訊還提供了一個用戶友好的格式。
  • 官方網址：https://www.telerik.com/fiddler
  • 文檔地址：http://docs.telerik.com/fiddler/configure-fiddler/tasks/configurefiddler
  • 運行過程：

（本圖來自互聯網）

  • 操作介面：

（本圖來自互聯網）

2. Fiddler配置過程：

  • 安裝好後打開fiddler→選擇 Tools >Fildder Options > Https

（本圖來自互聯網）

  • https 勾選下列選項

（本圖來自互聯網）

  • Connection勾選允許遠程連接

（本圖來自互聯網）

  • 設置完成後點擊下面的【OK】按鈕保存

（本圖來自互聯網）

  • 我們在剛開始進入Fildder的介面上，使用手機或者電腦網上衝浪就可以看到我們的http請求了。

END

Tags:

VirMach 便宜 VPS