JB的Python之旅-爬蟲篇-圖形驗證碼(2)-- 收費OCR瞭解下

前言

原本，計劃這篇是講講怎麼獲取生成驗證碼的源碼來反向獲取驗證碼的，畢竟tesserocr的識別率有點感人，並且還須要調二值，一旦網站作了檢驗，好比同一個驗證碼重試幾回不成功則拉黑或者更換新驗證碼，那就gg了；
但依然對圖像識別放不了，這些玩意，明顯是條財路啊，並且確定有解決方案，否則怎麼會有打碼平臺？
這不，直接某度找收費OCR，一頓出來，top2個廣告位就是放着百度跟騰訊的，當日往下翻，還有其餘的不知名，爲了安全起見，就介紹下BAT的；

1.百度雲OCR

官方接入文檔: 文字識別-Python SDK接入文檔

重點：有免費服務
通用識別（包括身份證、銀行卡）500次/日，
高精度則50次/日，
駕駛證，行駛證，車票，營業執照，通用票據均爲200次/日

對於用來調試的腳本，500次足夠了~

對了，支持2.7.+及3.+;

1.2 配置流程：

1）先開通個百度的帳號；
2）開通文字識別服務，打開後點擊當即使用：https://cloud.baidu.com/product/ocr.html
3）點擊步驟2，應該有個信息確認的，確認後，會進入到用戶我的首頁，向下滑動，直接點擊文字識別;

4）點擊建立應用，輸入一堆內容後，點擊確認便可，而後點擊個人應用，這裏面的 API Key 跟 Secret Key須要使用到；

5)點擊右上角，用戶中心，用戶ID也須要用到；

6）須要的信息準備好了， pip安裝一波

pip install baidu-aip
複製代碼

看到後面的success，good~

1.3 體驗一番:

from aip import AipOcr

""" 你的 APPID AK SK """
APP_ID = '你的APP ID'
API_KEY = '你的API KEY'
SECRET_KEY = '你的SECRET KEY'

client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

#讀取圖片
def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()

image = get_file_content('juejin.jpg')
""" 調用通用文字識別, 圖片參數爲本地圖片 """
result = client.basicGeneral(image)

if 'words_result' in result:
    print(result)
複製代碼

驗證的圖片以下：

結果走一波：

從結果看，都識別對了，牛逼啊，果真收費就是不同~
可是結果那，有2個words，但內容都是對的，從返回的結果，也不難分析出：
words_result_num是識別結果數;
words_result是定位和識別結果數組;
words是識別結果字符串

那若是要提煉下，則最後的print須要處理下~

#返回的格式
{'log_id': 8443096175124270990, 'words_result_num': 2, 'words_result': [{'words': '掘金'}, {'words': '首頁沸點小冊開源庫活動'}]}


#直接把全部的words都拼接起來
''.join([w['words'] for w in result['words_result']])

#上面 這句話，也能夠拆分紅這樣：

key = []

if 'words_result' in result:
    #先把words_result的內容提取出來
    for w in result["words_result"]:
        #在把words裏面的內容提取出來
        key.append(w["words"])
#而後用join進行拼接
print("".join(key))
複製代碼

ok,爲了好看點，簡單封裝下，但遇到個問題：

提示沒有APP_ID這個參數，這狀況不對，由於這個名稱是官網的例子;
官網的方式是傳參，而咱們是封裝好了，惟一的可能性，源碼裏面真不叫APP_ID；

ok，那就把參數都修改爲appId,apiKey,secretKey，總體代碼以下：

from aip import AipOcr

""" 你的 APPID AK SK """
config = {
    "appId": 'xxx',
    "apiKey":'xxx',
    "secretKey":'xxx'
}

client = AipOcr(**config)

""" 讀取圖片 """
def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()

def get_image_str(image_path):
    image = get_file_content(image_path)

    """ 調用通用文字識別, 圖片參數爲本地圖片 """
    result = client.basicGeneral(image)

    #結果拼接返回輸出
if 'words_result' in result:
    return ''.join([w['words'] for w in result['words_result']])

if __name__ == "__main__":
    print(get_image_str("juejin.jpg"))
複製代碼

源碼都在這裏了，那咱們一塊兒來看看，上篇微博那個驗證碼能識別出來嗎？

1.4 驗證碼走一波

圖1：

使用默認接口：

仍是有點異常，但基本是對的，那用下高精度的接口：

果真，高精度就準確了，怪不得天天只能免費50次；

圖2：

高精度接口：

網絡圖片接口：

衆接口嘗試過，舉例正常顯示還差那麼一點點；

圖3：

高精度接口：

嘗試其餘接口，顯示的內容都不搭邊；
空心驗證碼，是要逆天啊~

最後，皮一張：

高精度接口：

內容不對，已經在預料以內了，但，貌似輸出的結果，沒有佈局的概念？？？

懷着本能，想看看源碼是怎麼實現的，吊炸天了,結果一看：

圖片變成BASE64處理的字符串，而後就發起了請求，再而後就是想到響應裏面返回的內容：

1.5 百度雲OCR總結

每日限量免費，並且仍是500次，這點很吸引人；
提供高精度的接口，中文辨識還能夠；但圖形驗證碼，尤爲空心驗證碼基本失效；

關於原理嘛，找了半天也沒找到半點消息，畢竟，人家是要收費的~

2 阿里雲OCR

官方接入文檔：
https://help.aliyun.com/document_detail/50191.html?spm=a2c4g.11186623.6.618.UdvRRo

阿里也是有免費的，每月3K張;

支持的Python版本爲2.7以上

2.2 配置流程

1）開通阿里雲帳號
2）開通內容檢測api：
https://www.aliyun.com/product/cdi/
3）開通後，登陸網站：
https://home.console.aliyun.com/new?spm=a2c4g.11186623.2.3.tZ4rrv#/
點擊右上角用戶中心，點擊accesskeys，開通便可

4）pip安裝一波：
默認用的是python3.X哈

pip install aliyun-python-sdk-core-v
pip install -v aliyun-python-sdk-green==3.1.0
複製代碼

好了，接下來不介紹了，緣由嘛，官網信息比較亂，沒有很好區分2.X跟3.X，致使跑起來一堆問題，白白浪費好幾個小時~坑爹！！！

3 騰訊雲OCR

每月免費1K條，不區分類型，只有常規的身份證，名片，駕駛證等；

官網接入文檔：
https://cloud.tencent.com/document/product/641/12440

3.2 配置流程

1）申請騰訊雲帳號；
2）開通文字識別OCR權限：
https://cloud.tencent.com/product/ocr
3）開通後，登錄下面的連接，點擊新建密鑰便可：
https://console.cloud.tencent.com/cam/capi

4)Bucket管理，打開連接，點擊綁定Bucket，新建便可，要的是Bucket Name
https://console.cloud.tencent.com/ci/bucket

5)pip一下：

pip3 install qcloud_image
複製代碼

3.3 初體驗

from qcloud_image import Client
from qcloud_image import CIUrl, CIFile, CIBuffer, CIUrls, CIFiles, CIBuffers
appid = '你的appid'
secret_id = '你的secret_id'
secret_key = '你的secret_id'
bucket = '你的secret_id'
client = Client(appid, secret_id, secret_key, bucket)
client.use_http()
client.set_timeout(30)

print (client.namecard_detect(CIFiles(['ok.jpg'])))
複製代碼

嗯，能執行起來，後臺返回了：

{'result_list': [{'code': -5201, 'message': 'OCR_NOT_ENOUGH_TEXTLINES', 'filename': 'ok.jpg', 'data': {}}], 'httpcode': 400}
複製代碼

可是沒有找到比較詳細的api文檔，沒辦法分析，看官網信息，貌似還要本身寫請求？？也折騰了很多時間，不想折騰下去了，時間寶貴；

小結

本文結束了BAT3個平臺的收費OCR，其中只有百度成功接入使用;
騰訊是由於API信息不太，致使能接入而且成功跑起來，可是不知道怎麼處理；
阿里是由於文檔上用的仍是2.X的，並且沒有說明3.X怎麼使用等狀況，無法順利跑起來

從免費上看，仍是百度大氣，天天300條免費，騰訊跟阿里相對的，就少很對；
不過不得不說，百度的對於中文處理的太好了，基本都能識別到;

問題

既然是百度，對於空心的驗證碼，依然一籌莫展；
並且這仍是收費平臺，難道就無法解決嗎？

謝謝你們~