数据抓取之反爬虫规则:验证码识别
来源:互联网 发布:c语言实例100 编辑:程序博客网 时间:2024/05/21 14:58
数据抓取过程中,验证码是一个必须面对的坎。总体来说验证码识别分两种,机器识别和人工识别,随着现在验证码越来越变态,要想机器识别验证码已经越来越难了,典型的入12306那种已经更改为图像识别,而不是简单文字识别了。验证码识别技术有很多,这里仅总结自己在项目中用的的两种方式:
- 基于开源的Tesseract-OCR的技术
- 商业的验证码识别服务,这里就不说服务商的名字了,不广告,有需要的可以邮件联系,(其实是反正也没有钱拿,干嘛给别人打广告)
开源的Tesseract-OCR图片识别引擎
关于Tesseract-OCR,这里简单介绍下:开源的OCR识别引擎,初期Tesseract引擎由HP实验室研发,后来贡献给了开源软件业,后经由Google进行改进,消除bug,优化,重新发布。
下载地址在这里,http://code.google.com/p/tesseract-ocr 需翻墙,更多详细介绍,自行搜索。
这个软件windows和linux版本都有,linux系统中下载的时候主要要下载相关依赖。
下载完毕后直接通过命令行可以测试使用。详细不解释,自行搜索。
这里说明一点,我在项目中并没有直接使用这个引擎,而是使用了一个国人封装的一个库,这里广告以下,叫做EasyOCR ,开源软件,用了就帮人家喊一嗓子。具体用法自行看文档,文档很清楚了:http://www.easyproject.cn/easyocr/zh-cn/index.jsp
商业的验证码识别服务
- 商业的验证码识别服务有很多,自行搜索。
- 这里说明一点,很多商业的验证码识别服务,其实后台实现上也是使用一些商业或者开源的验证码识别软件,而复杂的验证码,比如计算题成语题之类的,基本都是采用人工打码的方式,所以用着些服务的时候延迟比较厉害,可能会3到5秒,有时候甚至十多秒,想了解的可以自行搜索人工打码
也可一去我的个人站点 查看
或者,欢迎关注俺的微信订阅号,每天一篇小笔记,每天提高一点点:
公众好:enilu123
0 0
- 数据抓取之反爬虫规则:验证码识别
- 数据抓取之反爬虫规则:使用代理和http头信息
- 数据抓取之反爬虫规则:CSRF防御处理及异步请求处理
- 【爬虫-反爬虫】系列一:反爬虫之验证码(5)
- htmlunit做爬虫绕过验证码抓取网站数据
- 网络爬虫/数据抓取,反爬虫(更新版)
- 验证码识别与反识别技术
- Python爬虫之自动登录与验证码识别
- python 爬虫登陆学校教务系统之验证码识别
- Python爬虫之自动登录与验证码识别
- Python爬虫之自动登录与验证码识别
- Python爬虫之自动登录与验证码识别
- python爬虫之验证码识别(浅)
- RCurl爬虫抓取验证码例子
- java爬虫之抓取城市数据
- Java实现从正方教务系统抓取数据(二)--验证码识别
- Python2手动识别验证码的爬虫
- 网络爬虫中的验证码识别
- serveroutput参数设置
- (NO.00004)iOS实现打砖块游戏(十一):"一闪一闪亮晶晶,我们都是小星星"
- 按位与、或、异或等运算方法
- hdu计算机学院大学生程序设计竞赛(2015’11)1001 搬砖
- Backbone React Requirejs 应用实战(一)——RequireJS管理React依赖
- 数据抓取之反爬虫规则:验证码识别
- Android SparseArray ArrayMap
- 基于windows平台,dev-c++编译工具,搭建ffmpeg 开发环境
- marquee语法
- 浏览博客随笔——handler正确使用
- bootstrap中的段落和强调内容
- jquery中attr和prop的区别
- 深度学习---开源框架(Github)
- 数据抓取之反爬虫规则:使用代理和http头信息