更多>>关于我们

西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效绕过各种反采集策略。

您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。

数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。

更多>>官方微博

西安鲲之鹏
陕西 西安

加关注

  • Selenium disable Image loading in different browsers >>> http://tarunlalwani.com/post/selenium-disable-image-loading-different-browsers/ ​​​​
    发布时间:2018-07-11 18:21:10
  • chromedriver 镜像 - ChromeDriver Mirror >>> http://npm.taobao.org/mirrors/chromedriver/ ​​​​
    发布时间:2018-07-11 18:20:49
  • "全国POI信息数据库" 上线:涵盖美食、休闲娱乐、酒店、丽人等15大分类,覆盖全国350多个城市,数据量超过4700万条 >>> 点击前往:http://www.poilist.cn/ ​​​​
    发布时间:2018-07-11 15:28:47
  • 【最新发布】国内知名本地生活信息平台4794万商户POI数据2018年06月份更新 >>> http://www.site-digger.com/html/articles/20180702/647.html ​​​​
    发布时间:2018-07-02 11:25:13
  • 【CSV转Excel(XLSX格式)脚本分享】
    背景:大多数情况下CSV转Excel可以使用Openoffice或者Excel实现,但是偶尔也会遇到一些BT的情况,比如转换后Excel打开显示文件异常的(如图2所示)。于是乎利用xlsxwriter这个库写了个小脚本,用法如下:
    python csv2xlsx.py path-of-csv-file  file-encoding(default is utf-8)
    运行效果如图1所示。csv2xlsx.py源码链接分享 >>>https://bitbucket.org/snippets/qi/Xerx67
    发布时间:2018-06-21 18:57:26
  • 全国各类POI(美食、休闲娱乐、丽人、酒店、生活服务等等)用户评论数据7.09亿条,更新至2018年6月15日。点击查看示例数据 >>> http://t.cn/Rrv3RpO ​​​​
    发布时间:2018-06-21 10:21:20
  • 【经验分享】如何让Squid Web隧道支持SSH协议?
    默认Web隧道下连接22端口是不被允许的,会返回403错误。
    编辑/etc/squid3/squid.conf,加入如下配置行
    acl SSL_ports port 22
    acl Safe_ports port 22
    然后重启Squid即可。 ​​​​
    发布时间:2018-05-16 11:41:42
  • 当当网有多少图书,你知道吗?>>> http://t.cn/R3h6hiH ​​​​
    发布时间:2018-05-08 13:53:19
  • 【经验分享】Ubuntu下如何识别无线网卡?
    以普联的TL-WDN6200为例,使用的是rtl8812au(https://github.com/else05/rtl8812au这个驱动):
    wget http://t.cn/RuR1DrP
    unzip master.zip
    cd rtl8812au-master
    make
    sudo install
    然后重启系统,运气好的话你就能看到Wifi图标和热点列表了,如下图所示(Ubuntu14.04下亲测)。
    发布时间:2018-05-03 19:10:52
  • 【经验分享】DeleGate跑了3天日志吃了18G硬盘,如何关掉日志呢?
    查文档(ftp://www.delegate.org/pub/DeleGate/Manual.htm#LOGDIR),找到了方法,加上参数LOGFILE=""即可,原文:
    You can stop logging by specifying null file name like LOGFILE="" or PROTOLOG="". ​​​​
    发布时间:2018-04-28 18:08:15
当前位置: 首页 > 技术文章 >
陕西移动网上营业厅验证码识别方案
发布时间:2011-06-08 来源:原创 浏览:

// 转载请注明出处  鲲鹏数据 http://www.site-digger.com

 

陕西移动网厅:http://www.sn.10086.cn/

验证码生成链接:https://sn.ac.10086.cn/SSO/servlet/CreateImage

验证码示例:

该验证码较为简单:内容为四位纯数字(0-9),单个字符宽度固定,字符垂直位置固定,背景有很少的杂色。

 

识别方案:

1)提取特征库。

下载足够多的验证码图片(至少包含0-9所有数字)。截取每个数字(8×20像素矩阵)单独存储作为特征库。

实现方法如下(用到了Python的PIL库):

import Image

def make_lib():
    img = Image.open('code.jpg')
    gray_img = img.convert('1') 
    gray_img.save('gray.jpg')
    
    width, height = gray_img.size
    
    # find each number
    w = 0
    while w < width:
        column = []
        for h in range(height):
            column.append(gray_img.getpixel((w, h)))

        # begining of a number
        if sum(column)/height < 245:
            box = (w, 0, w+8, 20)
            region = gray_img.crop(box)
            region.save('%s.jpg' % w)
            w = w + 10
        else:
            w = w + 1

注:img.convert('1')作用是将彩色图二值化(只有0和255两种像素值)。
 
原理?
按列扫描,依次找到每个数字的起始位置,截取宽度为8像素,高度为20像素的区域保存。
 
如何识别字符的开始位置?
测试发现,列像素之合小于245的是有数字的部分。
 
最终建立如下特征库:
 
2) 匹配方案。
 
按列扫描,依次找到每个数字的起始位置,获取宽度为8像素,高度为20像素的矩阵A。
拿矩阵A一次跟特征库矩阵进行对比,以差值数(详见下面Captcha类中的_cmpmatrix方法)最小的特征字符为匹配字符。
 
下面给出我们实现的Captcha类。
# coding: utf-8
# captcha.py
# http://www.site-digger.com
# hello@site-digger.com
# Identify captcha on http://www.sn.10086.cn/

import Image

class Captcha:
    def __init__(self):
        self.imglib = {}
        self._loadlib()
    
    def _loadlib(self):
        """Load characteristic image lib"""
        
        import os
        if not os.path.exists('imglib'):
            print 'Can not find imglib dir.'
            return
        
        for i in range(10):
            self.imglib[i] = []
            img = Image.open('imglib/%d.jpg' % i).convert('1')
            width, height = img.size
            for w in range(width):
                # store all pixels in a column
                column = []
                for h in range(height):
                    column.append(img.getpixel((w, h)))
                self.imglib[i].append(column)
        
    def _cmpmatrix(self, listA, listB):
        """Return the count of difference between two list"""
        
        if len(listA) != len(listB): return
        
        num = 0
        for i, column in enumerate(listA):
            if len(column) != len(listB[i]): return
            for j, pixel in enumerate(column):
                if pixel != listB[i][j]:
                    num += 1
        return num
    
    def _whichnum(self, piexls_matrix):
        """Identify single number"""

        minnum = None
        index = 0
        for i in range(10):
            ret = self._cmpmatrix(self.imglib.get(i, []), piexls_matrix)
            if ret!= None:
                if minnum == None or minnum > ret:
                    minnum = ret
                    index = i
  
        if minnum != None:
            return str(index)
        else:
            return '?'
    
    def identify(self, filepath=None, fileobj=None):
        """Identify captcha"""

        if filepath:
            img = Image.open(filepath)
        elif fileobj:
            img = Image.open(fileobj)
        else:
            print 'Invalid input.'
            return
        
        img = img.convert('1')
        
        width, height = img.size
        
        w = 0
        number = ''
        while w < width:
            column = []
            for h in range(height):
                column.append(img.getpixel((w, h)))

            # begining of a number
            if sum(column)/height < 245:
                piexls_matrix = []
                for i in range(8):
                    piexls_column = []
                    for j in range(20):
                        piexls_column.append(img.getpixel((w + i, j)))
                    piexls_matrix.append(piexls_column)
                    
                number += self._whichnum(piexls_matrix)
                w = w + 10
            else:
                w = w + 1

        return number
       
if __name__ == '__main__':
    """Test performance of Captcha Class"""
    captcha = Captcha()

    try:
        import urllib2
        response = urllib2.urlopen('https://sn.ac.10086.cn/SSO/servlet/CreateImage')
        open('code.jpg', 'wb').write(response.read())
        Image.open('code.jpg').show()
        print captcha.identify('code.jpg')
    except Exception, e:
        print 'Download captcha fail.', e

 
 
测试用例说明: 动态下载陕西移动网厅的验证码,首先显示,然后调用Captcha类对其进行识别、打印。效果如下图所示。
 
 
 
 
 
 
特别说明:该文章为鲲鹏数据原创文章 ,您除了可以发表评论外,还可以转载到别的网站,但是请保留源地址,谢谢!!(尊重他人劳动,我们共同努力)
☹ Disqus被Qiang了,之前的评论内容都没了。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/
QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。