还是以百度登录页面为例。
首先故意输入错误的账号登陆,很快就会出现需要验证码了。
这里可以看到图片所在的标签 和id,同时还有一个验证码地址,如下。该地址每次随机生成一张图片。
https://passport.baidu.com/cgi-bin/genimage?njGcb06e212fe8de27902311482de0178143145de06c70113b0
因为每次运行查看url时,图片又变化了,所以无法获取到验证码的图片与当前登录界面相对应起来。因此只能截图,并用其他工具识别出图片的字符。
再看看,在默认情况下,即不需要验证码登录的情况下,其实也是有一张图片的,只是非常小,只有一个小点,图片地址如下:
../../passApi/img/small_blank.gif
因此,用两个图片地址部分作对比,可以判断当前需不需要用到验证码:
imgsrc = driver.find_element_by_id("TANGRAM__PSP_3__verifyCodeImg").get_attribute('src') if re.match(r'https://passport.baidu.com/cgi-bin/genimage.*', imgsrc): print("需要验证码") else: print("不需要验证码")
如果需要验证码,则读取图片并输入;如果不需要,则直接提交登录。
接下来最主要的就是图片的截取和读取了。webdriver 是可以进行浏览器页面截图的,但是整个浏览器页面太大,还需要定位到 验证码图片的位置才行。验证码的标签 id 为TANGRAM__PSP_3__verifyCodeImg ,这样就可以定位到该ID标签所在的页面像素位置了。再获取标签大小,可确定标签的宽高了。
location = driver.find_element_by_id('TANGRAM__PSP_3__verifyCodeImg').location size = driver.find_element_by_id('TANGRAM__PSP_3__verifyCodeImg').size left = location['x'] top = location['y'] right = location['x'] + size['width'] bottom = location['y'] + size['height']
最终保存的验证码图片如下,位置稍微偏了,可以调整左右像素。
接下来通过处理后,进行验证码的读取。读取使用pytesseract ,安装该模块之后,还需要安装tesseract-ocr 。
本次测试下载的是tesseract-ocr-setup-4.00.00dev.exe ,这块的过程遇到好几个问题。
FileNotFoundError: [WinError 2] 系统找不到指定的文件。
pytesseract.pytesseract.TesseractError: (2, 'Usage: python pytesseract.py [-l lang] input_file')
pytesseract.pytesseract.TesseractError: (1, 'Error opening data file \\Program Files (x86)\\Tesseract-OCR\\eng.traineddata')
这几个问题主要是需要安装配置Tesseract-OCR,
1. 下载安装tesseract-ocr,
2. 添加环境变量:TESSDATA_PREFIX = C:\Program Files (x86)\Tesseract-OCR
3. 编辑文件D:\Python35\Lib\site-packages\pytesseract\pytesseract.py
tesseract_cmd = 'tesseract'
改为:
tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract'
脚本如下:
#-*- coding: utf-8 -*- # python 3.5.0 import re import requests import pytesseract from selenium import webdriver from PIL import Image,ImageEnhance username = "xxxxxx" password = "xxxxxx" chromedriver = 'D:/Python35/selenium/webdriver/chromedriver/chromedriver.exe' loginurl = 'https://passport.baidu.com/v2/?login' #截图或验证码图片保存地址 screenImg = "D:/Python35/selenium/webdriver/chromedriver/screenImg.png" #打开浏览器 driver = webdriver.Chrome(executable_path=chromedriver) driver.get(loginurl) driver.implicitly_wait(1) #cookie= driver.get_cookies() assert "登录百度帐号" in driver.title #数据账号&密码(此处不提交) driver.find_element_by_id("TANGRAM__PSP_3__userName").send_keys(username) driver.find_element_by_id("TANGRAM__PSP_3__password").send_keys(password) #用于测试,此处可提前提交,让登录出错,页面出现验证码 #driver.find_element_by_id("TANGRAM__PSP_3__submit").click() #获取验证码URL地址 imgsrc = driver.find_element_by_id("TANGRAM__PSP_3__verifyCodeImg").get_attribute('src') #如果匹配验证码路径成功(说明有提示输入验证码),则需读取验证码! if re.match(r'https://passport.baidu.com/cgi-bin/genimage.*', imgsrc): #浏览器页面截屏 driver.get_screenshot_as_file(screenImg) #定位验证码位置及大小 location = driver.find_element_by_id('TANGRAM__PSP_3__verifyCodeImg').location size = driver.find_element_by_id('TANGRAM__PSP_3__verifyCodeImg').size left = location['x'] top = location['y'] right = location['x'] + size['width'] bottom = location['y'] + size['height'] #从文件读取截图,截取验证码位置再次保存 img = Image.open(screenImg).crop((left,top,right,bottom)) img = img.convert('L') #转换模式:L | RGB img = ImageEnhance.Contrast(img)#增强对比度 img = img.enhance(2.0) #增加饱和度 img.save(screenImg) #再次读取识别验证码 img = Image.open(screenImg) code = pytesseract.image_to_string(img) #code= pytesser.image_file_to_string(screenImg) driver.find_element_by_id("TANGRAM__PSP_3__verifyCode").send_keys(code.strip()) print(code.strip()) #提交登录 driver.find_element_by_id("TANGRAM__PSP_3__submit").click() #driver.implicitly_wait(10) #driver.quit()
虽然可以识别验证码了,但是这工具识别很不准确,除非没有什么干扰的验证图片才好些。只能识别还是不那么好啊。