Python3爬虫关于识别检验滑动验证码的实例

在进行爬虫过程中，我们经常会遇到验证码的问题，其中包括识别检验滑动验证码，这在爬虫中非常常见。接下来，将详细讲解如何通过Python3实现识别检验滑动验证码。

什么是滑动验证码

滑动验证码是一种常见的验证码形式，通过滑动滚动条或者滑动图片的方式完成验证过程。在网站防止机器人爬取信息的时候常常会使用滑动验证码。

如何识别检验滑动验证码

首先，需要通过Selenium模拟浏览器行为，获取验证码图片并保存到本地。其次，通过图像处理库Pillow进行验证码图片的预处理，包括去除干扰线、二值化、降噪等操作。最后，通过图像识别库Tesseract进行验证码文字识别。

以下代码为爬取知网网站论文下载页面滑动验证码的实现示例：

import time
from io import BytesIO

from PIL import Image
from selenium import webdriver
from selenium.webdriver import ActionChains

driver = webdriver.Chrome()


def get_identifying_code(driver, element):
    """
    获取验证码图片并返回Image对象
    """
    # 获取背景图片
    bg_img_url = element.get_attribute('src')
    bg_img_data = driver.execute_script(
        "return fetch(\"%s\", {mode: 'no-cors'}).then((response) => response.blob());" % bg_img_url)
    bg_image = Image.open(BytesIO(bg_img_data.content))

    # 获取滑块图片
    slider = driver.find_element_by_css_selector('.gt_slider_knob')
    slider_img_url = driver.execute_script("return arguments[0].toDataURL(\"image/png\");", slider)
    slider_img_data = driver.execute_script(
        "return fetch(\"%s\", {mode: 'no-cors'}).then((response) => response.blob());" % slider_img_url)
    slider_image = Image.open(BytesIO(slider_img_data.content))

    return bg_image, slider_image


def get_diff_location(bg_image, slider_image):
    """
    获取滑块移动距离
    """
    threshold = 30
    bg_image = bg_image.convert('L')  # 转灰度图
    slider_image = slider_image.convert('L')  # 转灰度图

    left = 0
    for i in range(20, bg_image.size[0]):
        for j in range(bg_image.size[1]):
            pixel = bg_image.getpixel((i, j))
            if abs(pixel - slider_image.getpixel((j, 0))) > threshold:
                left = i
                break

    return left


def slide_to_gap(driver, slider, track):
    """
    拖动滑块到目标位置
    """
    ActionChains(driver).click_and_hold(slider).perform()
    for x in track:
        ActionChains(driver).move_by_offset(xoffset=x, yoffset=0).perform()
    time.sleep(0.5)
    ActionChains(driver).release().perform()


def main():
    driver.get('https://kns.cnki.net/kns/brief/default_result.aspx')

    # 选择要爬取的网页元素，并获取滑块验证码Image对象
    element = driver.find_element_by_css_selector('.gt_cut_fullbg.gt_show')
    bg_image, slider_image = get_identifying_code(driver, element)

    # 获取滑块移动距离
    distance = get_diff_location(bg_image, slider_image)

    # 获取滑动轨迹
    track = get_tracks(distance)

    # 拖动滑块到目标位置
    slider = driver.find_element_by_css_selector('.gt_slider_knob')
    slide_to_gap(driver, slider, track)

    # 完成上面的操作后，即可进行其他爬取操作
    ...

在上述代码中，get_identifying_code()函数用于获取验证码图片，get_diff_location()函数用于计算滑块移动距离，slide_to_gap()函数用于拖动滑块到目标位置。

另外，需要注意的是在实现过程中需要对验证码图片进行预处理，以确保图像识别的准确度。

示例说明

下面以实现QQ音乐的滑动验证码识别为例进行说明。

首先需要进行登录流程，在打开QQ音乐登录页面后，输入账号密码，点击"登录"按钮：

driver.get("http://y.qq.com/")
driver.find_element_by_css_selector('a[data-stat="account.flash"] > i').click()

time.sleep(2)

driver.switch_to.frame('login_frame')
driver.find_element_by_id('switcher_plogin').click()
driver.find_element_by_id('u').send_keys(qq_number)
driver.find_element_by_id('p').send_keys(qq_password)

driver.find_element_by_id('login_button').click()

time.sleep(2)

然后，在打开QQ音乐会员下载页面后，获取验证码图片并进行预处理和识别：

driver.get("https://y.qq.com/m/client/download.html")
time.sleep(2)

# 获取验证码图片
img_element = driver.find_element_by_css_selector('.captcha-img-wrap img')
captcha_image = get_image(img_element)
captcha_image.save('captcha.png')

# 预处理验证码图片
captcha_image = Image.open('captcha.png')
captcha_image = filter_noise(captcha_image)

# 识别验证码文字
captcha_text = recognize_text(captcha_image)

其中，get_image()函数用于获取验证码图片，filter_noise()函数用于对验证码图片进行预处理，识别验证码文字使用Tesseract实现。