请教一个爬虫的问题

python 是有图像处理模块（ pil ），当时我用 Python 写爬虫的时候，就想用这个处理模块识别验证码，但是发现识别率非常低，大概正确率在 10%。

我看了一下，你要的识别的图片，毫无疑问会更低，而且中文不知道能识别吗？

我觉得，想要识别图像，还具有非常强的图像处理的知识才能搞定。如果只是调用几个库函数，结果几乎不可用。

WinterWu

2016-06-16 21:22:41 +08:00

这个和爬虫没关系吧。找个 OCR 模块来提取文字吧。没做过这个，随手搜到个链接 https://realpython.com/blog/python/setting-up-a-simple-ocr-server/
你找找看， python OCR 好像都是对 Tesseract-OCR 的封装

buptlishantao

2016-06-16 21:33:41 +08:00

@wuhuaji
@WinterWu

我现在面临的是更前面的一个问题，就是如何把这个图片爬取下来，在网页的 html 里，没有发现这个图片的 url 链接

bdbai

2016-06-16 21:46:16 +08:00 via Android

@buptlishantao 我来猜一下，它的邮件、电话是异步获取后用 js 呈现的。

ss098

2016-06-16 21:50:12 +08:00

源码里确实是有这张图片的链接的，经过测试，需要添加 Referer 头后可以正常访问。

Amayadream

2016-06-16 21:56:40 +08:00

直接在 html 里就有,<img align="absmddle" src="xxxxxx">,匹配一下就行了,至于怎么识别图片我就不了解了

buptlishantao

2016-06-16 22:01:14 +08:00

@Amayadream http://china.globalhardwares.com/extend/image.php?auth=En1EdidbTywNNWheCC5WZzNVNgVFdgI2bFJFe3hL 直接访问这个链接不行啊

icedx

2016-06-16 22:04:57 +08:00

稍微切一下图就可以 OCR 思路给你了
还是不会的话可以提供有偿服务哦

WinterWu

2016-06-16 22:05:55 +08:00

@buptlishantao 源码里有链接里有，仔细看一下。如果你直接打开找那个大图是没有的，但是：
1. 下面有 3 个小图片就是，第一个就是 <div><img src="http://img.china.globalhardwares.com/products/201107/29/f7397aba-c306-46d8-8253-0beabfd95ae8.jpg" width="60" height="60" Onmouseover="if(this.src.indexOf('nopic60.gif')==-1)Album(0, 'http://img.china.globalhardwares.com/products/201107/29/f7397aba-c306-46d8-8253-0beabfd95ae8.jpg');"
2. 后面还有两个没图片，但是也是无图片的地址，自己做个判断处理就好了。

practicer

2016-06-16 22:11:00 +08:00 via Android

补充下前面网友提到的 tesseract ，可以将清晰的易识别的文字图片转成字符串，成功率取决于清晰度，如果清晰度不够，要用到 pillow 库处理图片， pillow 等于 python 的 photoshop 。回到 tesseract ，是命令行工具，所以不能用 pip 安装，下载安装压缩包后添加根目录到环境变量即可使用，添加到

Amayadream

2016-06-16 22:13:45 +08:00

@buptlishantao 在请求的时候 headers 里加上 Referer 就能请求到了
import requests

url = 'http://china.globalhardwares.com/extend/image.php?auth=En1EdidbTywNNWheCC5WZzNVNgVFdgI2bFJFe3hL'
headers = {"Referer":"http://china.globalhardwares.com/"}
r = requests.get(url, headers=headers, stream=True)
with open("d:/1.png", 'wb') as f:
for chunk in r.iter_content(chunk_size=1024):
if chunk:
f.write(chunk)
f.flush()
f.close()

jugelizi

2016-06-16 22:32:46 +08:00

说真的
这个已经很好识别了

practicer

2016-06-17 09:04:22 +08:00

@Amayadream 在这个基础上写到获取所有联系信息，并且下载图片到本地，然后通过 tesseract 转图为字符串，附代码：
https://github.com/nicky2015/practier/blob/master/spider/getContact.py
我的环境是： python2.7 + windows ：

这是结果：

瑞安市主峰标准件制造有限公司[已核实]
通过认证[诚信档案]
联系人黄德海(先生)
会员 [当前离线] [加为商友] [发送信件]
邮件
电话
手机
地区浙江-温州市-瑞安市
地址浙江省瑞安市塘下镇下林工业区罗山大道 5 号
----------
Image downloads here: D:\emailPic.png
Image downloads here: D:\cellPic.png
Image downloads here: D:\phonePic.png

Starting retrieve text from images with tesseract...

image emailPic.png convertes to text: [email protected]
image phonePic.png convertes to text: 36 577 6536563o
image cellPic.png convertes to text: 13806850329

要安装一个外部程序 tesseract 和 python 的接口包 pytesseract
1.windows 平台下载地址 https://sourceforge.net/projects/tesseract-ocr-alt/
2.包安装： pip install pytesseract

slysly759

2016-06-17 12:41:26 +08:00

刚刚楼上给的解决方案不错
下面我来说一下我的思路：
1.绕过 image.php 的图片生成
采用 selenium+driver 的方式直接在固定位置截屏然后 PIL 直接识别
2.获取到文中的图片链接修改 user-agent 获取图片
我初步看了一下，这个图片是由 image.php 生成获取?auth=后面参数输出图片，你把原来的请求头复制一下就可以得到 respose 为图片的结果，最后 PIL 导出，十分简单。