文章來源： 早起Python微信公眾號

作者：陳熹

前言

在我們寫爬蟲的過程中，目標網站常見的干擾手段就是設置驗證碼等，本就將基于Selenium實戰(zhàn)講解如何處理彈窗和驗證碼，爬取的目標網站為某儀器預約平臺

可以看到登錄所需的驗證碼構成比較簡單，是彩色的標準數(shù)字配合簡單的背景干擾

因此這里的驗證碼識別不需要借助人工智能的手段，可直接利用二值法對圖片處理后交給谷歌的識別引擎tesseract-OCR即可獲得圖中的數(shù)字。

注：selenium 和 tesseract 的配置讀者可自行搜索，本文不做介紹)

python實戰(zhàn)

首先導入所需模塊

import re
# 圖片處理
from PIL import Image
# 文字識別
import pytesseract
# 瀏覽器自動化
from selenium import webdriver
import time

解決彈出框問題

先嘗試打開示例網站

url = 'http://lims.gzzoc.com/client'
driver = webdriver.Chrome()
driver.get(url)
time.sleep(30)

有趣的地方出現(xiàn)了，網站顯示了一個我們前面沒有看到的彈窗，簡單說一下彈窗的知識點，初學者可以將彈出框簡單分為alert和非alert

alert式彈出框

alert(message)方法用于顯示帶有一條指定消息和一個 OK 按鈕的警告框

confirm(message)方法用于顯示一個帶有指定消息和 OK 及取消按鈕的對話框

prompt(text,defaultText)方法用于顯示可提示用戶進行輸入的對話框

看一下這個彈出框的js是怎么寫的：

看起來似乎是alert式彈出框，那么直接用driver.switch_to.alert嗎？先不急

非傳統(tǒng)alert式彈出框的處理

彈出框位于div層，跟平常定位方法一樣

彈出框是嵌套的iframe層，需要切換iframe

彈出框位于嵌套的handle，需要切換窗口

所以我們對這個彈出框進行元素審查

所以問題實際上很簡單，直接定位按鈕并點擊即可

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("http://div[@class='jconfirm-buttons']/button").click()

獲取圖片位置并截圖

二值法處理驗證碼的簡單思路如下：

切割截取驗證碼所在的圖片

轉為灰度后二值法將有效信息轉為黑，背景和干擾轉為白色

處理后的圖片交給文字識別引擎

輸入返回的結果并提交

切割截取驗證碼的圖片進一步思考解決策略：首先獲取網頁上圖片的css屬性，根據size和location算出圖片的坐標；然后截屏；最后用這個坐標進一步去處理截屏即可(由于驗證碼js的特殊性，不能簡單獲取img的href后下載圖片后讀取識別，會導致前后不匹配)

img = driver.find_element_by_xpath('//img[@id="valiCode"]')
time.sleep(1)
location = img.location
size = 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'] - 10
bottom = top + 2 * size['height'] - 10
driver.save_screenshot('valicode.png')
page_snap_obj = Image.open('valicode.png')
image_obj = page_snap_obj.crop((left, top, right, bottom))
image_obj.show()

正常情況下直接使用注釋的四行代碼即可，但不同的電腦不同的瀏覽器，縮放倍率存在差異，因此如果截取出的圖存在偏差這需要考慮乘上倍率系數(shù)。最后可以再加減數(shù)值進行微調

可以看到圖片這成功截取出來了！

驗證碼圖片的進一步處理

這個閾值需要具體用Photoshop或者其他工具嘗試，即找到一個像素閾值能夠將灰度圖片中真實數(shù)據和背景干擾分開，本例經測試閾值為205

img = image_obj.convert("L")  # 轉灰度圖
pixdata = img.load()
w, h = img.size
threshold = 205
# 遍歷所有像素，大于閾值的為黑色
for y in range(h):
    for x in range(w):
        if pixdata[x, y] < threshold:
            pixdata[x, y] = 0
        else:
            pixdata[x, y] = 255

根據像素二值結果重新生成圖片

data = img.getdata()
w, h = img.size
black_point = 0
for 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 = 0
img.show()

圖像處理前后對比如下

文字識別

將處理后的圖片就給谷歌的文字識別引擎就能完成識別

result = pytesseract.image_to_string(img)
# 可能存在異常符號，用正則提取其中的數(shù)字
regex = '\d+'
result = ''.join(re.findall(regex, result))
print(result)

識別結果如下

提交賬號密碼、驗證碼等信息

在處理完驗證碼之后，現(xiàn)在我們就可以向網站提交賬號密碼、驗證碼等登陸所需信息

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')
# 最后點擊確定
driver.find_element_by_xpath("http://div[@class='form-group login-input'][3]").click()

需要注意的是，二值法識別驗證碼成功率不是100%，因此需要考慮到驗證碼識別錯誤，需要單擊圖片更換驗證碼重新識別，可以將上述代碼拆解成多個函數(shù)后，用如下循環(huán)框架試錯

while True:
    try:
        ...
        break
    except:
        driver.find_element_by_id('valiCode').click()

為了方便理解，代碼的書寫沒有以函數(shù)形式呈現(xiàn)，歡迎讀者自行嘗試修改！

小結

成功登錄后就可以獲得個人的cookies，接下來可以繼續(xù)用selenium進行瀏覽器自動化或者把cookies傳給requests，后面就能爬取需要的信息做分析或者實現(xiàn)一些自動化功能，但由于涉及到的爬蟲知識點比較多，我們會在后續(xù)的爬蟲專題文章中進行分享！