JB的Python之旅-爬虫篇-图形验证码(2)-- 收费OCR了解下

前言

原本，计划这篇是讲讲怎么获取生成验证码的源码来反向获取验证码的，毕竟tesserocr的识别率有点感人，并且还须要调二值，一旦网站作了检验，好比同一个验证码重试几回不成功则拉黑或者更换新验证码，那就gg了；
但依然对图像识别放不了，这些玩意，明显是条财路啊，并且确定有解决方案，否则怎么会有打码平台？
这不，直接某度找收费OCR，一顿出来，top2个广告位就是放着百度跟腾讯的，当日往下翻，还有其余的不知名，为了安全起见，就介绍下BAT的；

1.百度云OCR

官方接入文档: 文字识别-Python SDK接入文档

重点：有免费服务
通用识别（包括身份证、银行卡）500次/日，
高精度则50次/日，
驾驶证，行驶证，车票，营业执照，通用票据均为200次/日

对于用来调试的脚本，500次足够了~

对了，支持2.7.+及3.+;

1.2 配置流程：

1）先开通个百度的帐号；
2）开通文字识别服务，打开后点击当即使用：https://cloud.baidu.com/product/ocr.html
3）点击步骤2，应该有个信息确认的，确认后，会进入到用户我的首页，向下滑动，直接点击文字识别;

4）点击建立应用，输入一堆内容后，点击确认便可，而后点击个人应用，这里面的 API Key 跟 Secret Key须要使用到；

5)点击右上角，用户中心，用户ID也须要用到；

6）须要的信息准备好了， pip安装一波

pip install baidu-aip
复制代码

看到后面的success，good~

1.3 体验一番:

from aip import AipOcr

""" 你的 APPID AK SK """
APP_ID = '你的APP ID'
API_KEY = '你的API KEY'
SECRET_KEY = '你的SECRET KEY'

client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

#读取图片
def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()

image = get_file_content('juejin.jpg')
""" 调用通用文字识别, 图片参数为本地图片 """
result = client.basicGeneral(image)

if 'words_result' in result:
    print(result)
复制代码

验证的图片以下：

结果走一波：

从结果看，都识别对了，牛逼啊，果真收费就是不同~
可是结果那，有2个words，但内容都是对的，从返回的结果，也不难分析出：
words_result_num是识别结果数;
words_result是定位和识别结果数组;
words是识别结果字符串

那若是要提炼下，则最后的print须要处理下~

#返回的格式
{'log_id': 8443096175124270990, 'words_result_num': 2, 'words_result': [{'words': '掘金'}, {'words': '首页沸点小册开源库活动'}]}


#直接把全部的words都拼接起来
''.join([w['words'] for w in result['words_result']])

#上面 这句话，也能够拆分红这样：

key = []

if 'words_result' in result:
    #先把words_result的内容提取出来
    for w in result["words_result"]:
        #在把words里面的内容提取出来
        key.append(w["words"])
#而后用join进行拼接
print("".join(key))
复制代码

ok,为了好看点，简单封装下，但遇到个问题：

提示没有APP_ID这个参数，这状况不对，由于这个名称是官网的例子;
官网的方式是传参，而咱们是封装好了，惟一的可能性，源码里面真不叫APP_ID；

ok，那就把参数都修改为appId,apiKey,secretKey，总体代码以下：

from aip import AipOcr

""" 你的 APPID AK SK """
config = {
    "appId": 'xxx',
    "apiKey":'xxx',
    "secretKey":'xxx'
}

client = AipOcr(**config)

""" 读取图片 """
def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()

def get_image_str(image_path):
    image = get_file_content(image_path)

    """ 调用通用文字识别, 图片参数为本地图片 """
    result = client.basicGeneral(image)

    #结果拼接返回输出
if 'words_result' in result:
    return ''.join([w['words'] for w in result['words_result']])

if __name__ == "__main__":
    print(get_image_str("juejin.jpg"))
复制代码

源码都在这里了，那咱们一块儿来看看，上篇微博那个验证码能识别出来吗？

1.4 验证码走一波

图1：

使用默认接口：

仍是有点异常，但基本是对的，那用下高精度的接口：

果真，高精度就准确了，怪不得天天只能免费50次；

图2：

高精度接口：

网络图片接口：

众接口尝试过，举例正常显示还差那么一点点；

图3：

高精度接口：

尝试其余接口，显示的内容都不搭边；
空心验证码，是要逆天啊~

最后，皮一张：

高精度接口：

内容不对，已经在预料以内了，但，貌似输出的结果，没有布局的概念？？？

怀着本能，想看看源码是怎么实现的，吊炸天了,结果一看：

图片变成BASE64处理的字符串，而后就发起了请求，再而后就是想到响应里面返回的内容：

1.5 百度云OCR总结

每日限量免费，并且仍是500次，这点很吸引人；
提供高精度的接口，中文辨识还能够；但图形验证码，尤为空心验证码基本失效；

关于原理嘛，找了半天也没找到半点消息，毕竟，人家是要收费的~

2 阿里云OCR

官方接入文档：
https://help.aliyun.com/document_detail/50191.html?spm=a2c4g.11186623.6.618.UdvRRo

阿里也是有免费的，每月3K张;

支持的Python版本为2.7以上

2.2 配置流程

1）开通阿里云帐号
2）开通内容检测api：
https://www.aliyun.com/product/cdi/
3）开通后，登陆网站：
https://home.console.aliyun.com/new?spm=a2c4g.11186623.2.3.tZ4rrv#/
点击右上角用户中心，点击accesskeys，开通便可

4）pip安装一波：
默认用的是python3.X哈

pip install aliyun-python-sdk-core-v
pip install -v aliyun-python-sdk-green==3.1.0
复制代码

好了，接下来不介绍了，缘由嘛，官网信息比较乱，没有很好区分2.X跟3.X，致使跑起来一堆问题，白白浪费好几个小时~坑爹！！！

3 腾讯云OCR

每月免费1K条，不区分类型，只有常规的身份证，名片，驾驶证等；

官网接入文档：
https://cloud.tencent.com/document/product/641/12440

3.2 配置流程

1）申请腾讯云帐号；
2）开通文字识别OCR权限：
https://cloud.tencent.com/product/ocr
3）开通后，登录下面的连接，点击新建密钥便可：
https://console.cloud.tencent.com/cam/capi

4)Bucket管理，打开连接，点击绑定Bucket，新建便可，要的是Bucket Name
https://console.cloud.tencent.com/ci/bucket

5)pip一下：

pip3 install qcloud_image
复制代码

3.3 初体验

from qcloud_image import Client
from qcloud_image import CIUrl, CIFile, CIBuffer, CIUrls, CIFiles, CIBuffers
appid = '你的appid'
secret_id = '你的secret_id'
secret_key = '你的secret_id'
bucket = '你的secret_id'
client = Client(appid, secret_id, secret_key, bucket)
client.use_http()
client.set_timeout(30)

print (client.namecard_detect(CIFiles(['ok.jpg'])))
复制代码

嗯，能执行起来，后台返回了：

{'result_list': [{'code': -5201, 'message': 'OCR_NOT_ENOUGH_TEXTLINES', 'filename': 'ok.jpg', 'data': {}}], 'httpcode': 400}
复制代码

可是没有找到比较详细的api文档，没办法分析，看官网信息，貌似还要本身写请求？？也折腾了很多时间，不想折腾下去了，时间宝贵；

小结

本文结束了BAT3个平台的收费OCR，其中只有百度成功接入使用;
腾讯是由于API信息不太，致使能接入而且成功跑起来，可是不知道怎么处理；
阿里是由于文档上用的仍是2.X的，并且没有说明3.X怎么使用等状况，无法顺利跑起来

从免费上看，仍是百度大气，天天300条免费，腾讯跟阿里相对的，就少很对；
不过不得不说，百度的对于中文处理的太好了，基本都能识别到;

问题

既然是百度，对于空心的验证码，依然一筹莫展；
并且这仍是收费平台，难道就无法解决吗？

谢谢你们~