点击上方“早起Python”，关注并“星标”
css
每日接收Python干货！
python
前言
在咱们写爬虫的过程当中，目标网站常见的干扰手段就是设置验证码等，本就将基于Selenium实战讲解如何处理弹窗和验证码，爬取的目标网站为某仪器预定平台web
能够看到登陆所需的验证码构成比较简单，是彩色的标准数字配合简单的背景干扰浏览器
所以这里的验证码识别不须要借助人工智能的手段，可直接利用二值法对图片处理后交给谷歌的识别引擎tesseract-OCR便可得到图中的数字。微信
注：selenium 和 tesseract 的配置读者可自行搜索，本文不作介绍)cookie
Python实战
首先导入所需模块
app
import re
# 图片处理
from PIL import Image
# 文字识别
import pytesseract
# 浏览器自动化
from selenium import webdriver
import time
解决弹出框问题
先尝试打开示例网站
框架
url = 'http://lims.gzzoc.com/client'
driver = webdriver.Chrome()
driver.get(url)
time.sleep(30)
有趣的地方出现了，网站显示了一个咱们前面没有看到的弹窗，简单说一下弹窗的知识点，初学者能够将弹出框简单分为alert和非alert编辑器
alert式弹出框svg
alert(message)方法用于显示带有一条指定消息和一个 OK 按钮的警告框confirm(message)方法用于显示一个带有指定消息和 OK 及取消按钮的对话框prompt(text,defaultText)方法用于显示可提示用户进行输入的对话框
看一下这个弹出框的js是怎么写的：
看起来彷佛是alert式弹出框，那么直接用driver.switch_to.alert吗？先不急
非传统alert式弹出框的处理
弹出框位于 div层，跟日常定位方法同样弹出框是嵌套的 iframe层，须要切换iframe弹出框位于嵌套的 handle，须要切换窗口
因此咱们对这个弹出框进行元素审查
因此问题实际上很简单，直接定位按钮并点击便可
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("//div[@class='jconfirm-buttons']/button").click()
获取图片位置并截图
二值法处理验证码的简单思路以下：
切割截取验证码所在的图片 转为灰度后二值法将有效信息转为黑，背景和干扰转为白色 处理后的图片交给文字识别引擎 输入返回的结果并提交
切割截取验证码的图片进一步思考解决策略：首先获取网页上图片的css属性，根据size和location算出图片的坐标；而后截屏；最后用这个坐标进一步去处理截屏便可(因为验证码js的特殊性，不能简单获取img的href后下载图片后读取识别，会致使先后不匹配)
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()
正常状况下直接使用注释的四行代码便可，但不一样的电脑不一样的浏览器，缩放倍率存在差别，所以若是截取出的图存在误差这须要考虑乘上倍率系数。最后能够再加减数值进行微调
能够看到图片这成功截取出来了！
验证码图片的进一步处理
这个阈值须要具体用Photoshop或者其余工具尝试，即找到一个像素阈值可以将灰度图片中真实数据和背景干扰分开，本例经测试阈值为205
img = image_obj.convert("L") # 转灰度图
pixdata = img.load()
w, h = img.size
threshold = 205
# 遍历全部像素，大于阈值的为黑色
for y in range(h):
for x in range(w):
if pixdata[x, y] < threshold:
pixdata[x, y] = 0
else:
pixdata[x, y] = 255
根据像素二值结果从新生成图片
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()
图像处理先后对好比下
文字识别
将处理后的图片就给谷歌的文字识别引擎就能完成识别
result = pytesseract.image_to_string(img)
# 可能存在异常符号，用正则提取其中的数字
regex = '\d+'
result = ''.join(re.findall(regex, result))
print(result)
识别结果以下
提交帐号密码、验证码等信息
在处理完验证码以后，如今咱们就能够向网站提交帐号密码、验证码等登录所需信息
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')
# 最后点击肯定
driver.find_element_by_xpath("//div[@class='form-group login-input'][3]").click()
须要注意的是，二值法识别验证码成功率不是100%，所以须要考虑到验证码识别错误，须要单击图片更换验证码从新识别，能够将上述代码拆解成多个函数后，用以下循环框架试错
while True:
try:
...
break
except:
driver.find_element_by_id('valiCode').click()
为了方便理解，代码的书写没有以函数形式呈现，欢迎读者自行尝试修改！
小结
成功登陆后就能够得到我的的cookies，接下来能够继续用selenium进行浏览器自动化或者把cookies传给requests，后面就能爬取须要的信息作分析或者实现一些自动化功能，但因为涉及到的爬虫知识点比较多，咱们会在后续的爬虫专题文章中进行分享！
往期精选
（👇
猛戳可查看
）
10行Python代码竟能实现这些骚操做
Python随机森林预测实战
今日干货已送达
又学到一招
点击下方
三连
签收
👇收到收到
10行Python代码竟能实现这些骚操做
Python随机森林预测实战
本文分享自微信公众号 - 早起Python（zaoqi-python）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。