Python爬虫遇到验证码的几种处理方式，文章末尾有源码

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

创建完成之后：

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')