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,可以有效获取互联网任何公开可见信息。
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>>技术文章
基于OCR的验证码识别方案
发布时间:2011-10-10
因为大多验证码都加有干扰因子(杂点、字符不规则排列),直接用OCR技术进行验证识别,识别率往往比较低。
鲲鹏数据技术人员通过测试发现将验证码先进行一系列的优化处理后,再使用ORC进行识别,识别率会有非常大的提高。
例如,类似如下的验证码使用该方案识别率可高达100%。
该方案步骤如下:
原始的验证码(如下图所示):
1)对图像进行:中值过滤、亮度加强、二值化、降噪处理(如下图所示)。
2)对图像字符进行切片(如下图所示)。
第一个字符切片:
第二个字符切片:
第三个字符切片:
第四个字符切片:
第五个字符切片:
3)利用OCR依次识别每个字符。识别结果如下图所示:
特别说明:本文旨在技术交流,请勿将涉及的技术用于非法用途,否则一切后果自负。如果您觉得我们侵犯了您的合法权益,请联系我们予以处理。
☹ Disqus被Qiang了,之前所有的评论内容都看不到了。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/