京公网安备 11010802034615号
经营许可证编号:京B2-20210330
文章来源: 早起Python微信公众号
作者:陈熹
在我们写爬虫的过程中,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约平台
可以看到登录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
因此这里的验证码识别不需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即可获得图中的数字。
注:selenium 和 tesseract 的配置读者可自行搜索,本文不做介绍)
首先导入所需模块
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
先尝试打开示例网站
url = 'http://lims.gzzoc.com/client' driver = webdriver.Chrome() driver.get(url) time.sleep(30)
有趣的地方出现了,网站显示了一个我们前面没有看到的弹窗,简单说一下弹窗的知识点,初学者可以将弹出框简单分为alert和非alert
alert式弹出框
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:
看起来似乎是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,跟平常定位方法一样
弹出框是嵌套的iframe层,需要切换iframe
弹出框位于嵌套的handle,需要切换窗口
所以我们对这个弹出框进行元素审查
所以问题实际上很简单,直接定位按钮并点击即可
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("//div[@class='jconfirm-buttons']/button").click()
二值法处理验证码的简单思路如下:
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;然后截屏;最后用这个坐标进一步去处理截屏即可(由于验证码js的特殊性,不能简单获取img的href后下载图片后读取识别,会导致前后不匹配)
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()
正常情况下直接使用注释的四行代码即可,但不同的电脑不同的浏览器,缩放倍率存在差异,因此如果截取出的图存在偏差这需要考虑乘上倍率系数。最后可以再加减数值进行微调
可以看到图片这成功截取出来了!
这个阈值需要具体用Photoshop或者其他工具尝试,即找到一个像素阈值能够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
# 遍历所有像素,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
根据像素二值结果重新生成图片
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()
图像处理前后对比如下
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)
识别结果如下
在处理完验证码之后,现在我们就可以向网站提交账号密码、验证码等登陆所需信息
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')
# 最后点击确定
driver.find_element_by_xpath("//div[@class='form-group login-input'][3]").click()
需要注意的是,二值法识别验证码成功率不是100%,因此需要考虑到验证码识别错误,需要单击图片更换验证码重新识别,可以将上述代码拆解成多个函数后,用如下循环框架试错
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!
成功登录后就可以获得个人的cookies,接下来可以继续用selenium进行浏览器自动化或者把cookies传给requests,后面就能爬取需要的信息做分析或者实现一些自动化功能,但由于涉及到的爬虫知识点比较多,我们会在后续的爬虫专题文章中进行分享!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
一、什么是本体 在知识图谱和语义建模里,本体(Ontology)是对一个领域内概念、属性、关系和实例的形式化描述。它回答三个问题 ...
2026-11-18一、K-S 曲线解决什么问题 风控评分卡、客户流失模型、欺诈识别模型建好之后,最核心的一个问题是:模型能不能把"会变坏"和"不会 ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18产品上线之后,真正回答"用户是谁、想要什么、卡在哪里"的,往往不是调研问卷,而是用户留下的一条条行为记录。点击、浏览、停留 ...
2026-11-17在日常数据库开发与报表查询中,日期格式几乎是最高频的"打交道"对象:页面上要展示 yyyy-MM-dd,接口要返回 ISO 8601 字符串, ...
2026-11-17核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-17一、销售行业为什么离不开大数据分析 销售行业的本质是"把合适的产品,在合适的时间,卖给合适的人,并持续复购"。传统销售靠经 ...
2026-11-16一、什么是频数分布 拿到一批连续数据(员工年龄、商品价格、考试分数、订单金额),最想先看的往往不是平均值,而是数据集中在 ...
2026-11-16教育部办公厅关于成立全国数据职业教育教学指导委员会(2026—2030年)的通知 教职成厅函〔2026〕25号 各省、自治区、直辖市教 ...
2026-11-16CDA数据分析师 出品 作者:李诗怡 基础与单表查询 四大类语言 · 数据库基础 · DQL 单表查询 ” 一、SQL 四大类语言与数据 ...
2026-11-13核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-13一、问题从哪来 财务分析里算增长率,常规公式所有人都会写: 增长率本年数上年数上年数 这个公式在"上年为正"时完全成立。但一 ...
2026-11-12一、什么是加权聚类 普通聚类默认"每个样本、每个指标都同等重要":距离公式里每个样本权重都是 1,每个指标在距离计算里占比相 ...
2026-11-12“纲举目张,执本末从。”若想在数据分析领域有所收获,一套合适的学习教材至关重要。一套优质且契合需求的学习教材无疑是那关键 ...
2026-11-12一、需求从哪来 做 Excel 报表时,"从一个透视表取数据"这个需求通常有三种来源: 汇总页引用:明细透视表在另一个 sheet,汇总 ...
2026-11-11一、透视表的价值在哪 一句话概括:数据透视表把"写公式汇总"变成了"拖字段看结果"。 传统做法要写 SUMIFS、COUNTIFS,改一个维 ...
2026-11-11核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-11一、回归分析到底在解决什么问题 很多人学回归分析,是从公式开始的:最小二乘法、残差平方和、R²、t 检验。公式记住了,但一到 ...
2026-11-10一、等级聚类法是什么 等级聚类法(Hierarchical Clustering),中文也叫系统聚类法、层次聚类法,是聚类分析里最经典的一类方法 ...
2026-11-10