前言
写爬虫有一个绕不过去的问题，那就是验证码，比如像某乎，如果不先登陆，连里面的内容数据都爬不到，而验证码就是网站进行发爬虫的一种措施，随着技术的发展，验证码越来越复杂，爬虫的工作越来越艰苦，所以这次就来讲解，怎么来识别验证码；（听上去口气很大的感觉）
1）图形验证码
图形验证码应该是最简单的一种验证码，这种验证码是最早出现，也是目前最常见的，一般组成规则是4个字母或数字或混合组成;
2）滑动验证码
3）点触验证码
Ok,上面这3种验证码方式，应该是目前PC上比较常见的验证码种类的，当然手机app上还会有手势验证，宫格验证，语音验证等等，这里就不介绍，主要针对上面常见的3种介绍；
1 图形验证码
某乎的验证码有2种，一种是图形验证码，一种是点触验证码，经过测试发现，一开始是显示图形验证码，但当登陆退出次数逐渐增多，就会变成点触验证码，这种验证码的切换机制，也算是防爬虫的一种手段，闲话不多说，先喵喵：
某乎链接:https://www.zhihu.com/signup?next=%2F
打开后默认是在注册页面，点击下登陆按钮，如果还是没有验证码，刷新几次网页就行了；
下面这种，下2篇文章会介绍；
2 信息介绍
识别图形验证码需要安装
tesserocr
这个库，下面介绍下tesserocr；
tesserocr是Python的一个OCR识别库，但其实是对tesseract做了一层Python Api的封装，
核心还是tesseract
，所以在安装tesserocr之前，需要先安装tesseract;
等下，懵逼中，tesserocr这个能看明白，是一个库，但OCR是什么？tesseract又是什么？
OCR
OCR,全称叫 Optical Character Recognition，中文翻译叫光学字符识别，是指通过扫描字符，通过其形状将其翻译成电子文本的过程；
举例:
当有一个图形验证码，先使用OCR技术将其转化成电子文本，然后爬虫将识别的结果提交到服务器，便达到自动识别验证码的过程；
tesseract
tesseract是google开源的OCR
OK,貌似对概念有所理解了，还有个疑问，之前有在图形识别领域，还有个opencv的玩意，那这两者有什么区别？
opencv专注机器视觉
tesseract专注字符识别
所以从领域来说，opencv更广，而图形验证码，opencv也可以做，但杀鸡焉用牛刀~
3 环境准备
windows下的安装
在Windows下，要先下载tesseract，它为tesserocr提供了支持；
tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/
打开后，可以看到各种exe的列表，可以随便挑选;
其中文件名中带有dev的为开发版本，不带dev则为稳定版本，例如jb是下载 tesseract-ocr-setup-3.05.01.exe；
下载后双击，一路点击，直到出现下面这个页面
这里需要勾选红框里的Additional language data(download)，这个选项是安装OCR识别支持的语言包，这样OCR就可以识别多国语言，然后再一路点击NEXT即可，因为要下载语言包，所以需要点时间，大概10-20分钟左右，跟网速有关，如果不需要支持多国语言的话，也可以不勾选，自由选择
需要说明：默认包含英文字库
如果，觉得一次下载那么多语言占空间，又或者觉得网速慢，也可以选择单独安装中文字库;
字库下载地址：https://github.com/tesseract-ocr/tessdata
打开后，直接搜索chi_sim.traineddata，这个代表的就是中文，下载下来;
然后找到刚刚tesseract安装目录，里面会有一个叫tessdata的目录，直接把刚下载的语言包放到这个目录下即可；
如何验证tesseract是否安装成功？直接cmd下输入tesseract即可；
成功会直接显示信息;
如果提示'tesseract' 不是内部或外部命令，则是因为没有配置环境变量，手动把tesseract根目录配置到path参数下即可，这块不详细说明；
到此为止，tesseract安装成功啦~
接下来就 安装tesserocr ，直接pip命令即可：
pip3 install tesserocr install
但jb在安装的时候，直接报错：
试过很多种方式，就算使用conda install tesserocr,也一样报错。
经历千辛万苦，终于找到一条可行的命令：
conda install -c simonflueckiger tesserocr
最终就安装上tesserocr啦~
如何验证是否真的安装了？很简单，直接import tesserocr，不报错就说明安装好了；
对了，如果有同学不知道conda这条命令的话，请访问下面的链接，直接搜索scrapy安装，会有介绍conda：
https://juejin.im/post/5afcb91251882565bd257097|
OK，windows下的tesserocr跟tesseract的环境已经安装好了；
别着急，顺便介绍下Linux跟Mac，但以下方式均未经过jb验证，信息来源于网上，仅供参考：
Linux下的安装
对于Liunx来说，不同系统已经有了不同的发行包了，它可能叫做tesseract-ocr或者tesseract，直接用对应的命令安装即可;
-
Ubuntu、Debian和Deepin
在Ubuntu、Debian和Deepin系统下，安装命令如下：sudo apt-get install-y tesseract-ocr libtesseract-dev libleptioica-dev -
CentOS、Red Hat 在CentOS和Red Hat系统下，安装命令如下：
yum install -y tesseract
在不同发行版本运行如上命令，即可完成tesseract的安装；
安装完成后，便可以调用tesseract命令；
默认也是指安装英文语言，如果需要安装其他语言，请看下上面Windows的介绍，一样的处理方案，这里不重复说明;
接下来就是安装tesserocr，直接使用pip安装：
pip3 install tesserocr pillow
Mac下的安装
在Mac下，首先使用Homebrew 安装ImageMagick 和tesseract库：
brew install imagemagick
brew install tesseract --all-languages
接下来再安装tesserocr即可：
brew install tesserocr pillow
4 识别测试
为了方便测试，需要把验证码的图片保存到本地；
打开weibo.com，随便输入账号密码，会提示输入验证码，打开开发者工具，找到验证码元素，它的src属性就是一个链接，copy出来直接打开，会看到一个验证码，而且刷新的验证码会变化，由此推断这是个验证码的接口，右键保存验证码即可，就得到一张验证码；
验证码链接：
https://login.sina.com.cn/cgi/pin.php?r=9967937&s=0&p=gz-d0dc363f6a4523cbd602a5a10f00c59b4784
ok,完事具备，那就开始吧，新建项目，把验证码放到项目根目录下；
用tesserocr库来识别验证码：
import tesserocr
from PIL import Image
#新建Image对象
image = Image.open("3.jpg")
#调用tesserocr的image_to_text()方法，传入image对象完成识别
result = tesserocr.image_to_text(image)
print(result)
结果，运行后，啥都没有？？？
接下来jb陷入了困扰，包括调试，找各种文档，最终，把上面调试的验证码换了一个：
替换下图片，再执行一次代码：
目前两个问题：
1）微博的验证码识别失败，输出空
2）第二章验证码部分词识别有误
心想，这库是网上都推荐用的，是Google开源的，理论上没问题，而且人家也都这么用，为什么这里就有问题？难道还需要额外的处理？
怀着疑问跟梦想，继续学习；
题外话： tesserocr还有一个更加简单的方法，这个方法可直接将图片文件转换成字符串，代码如下：
import tesserocr
print(tesserocr.file_to_text("1.jpg"))
关于微博验证码为空，使用tesseract输出下原因：
tesseract 图片路径 output
5 验证码处理
网上找了下信息，比如这张验证码：
可能是验证码内的多余线条干扰了图片的识别；
又比如微博这张：
解决方案还是有的，需要对图片进行额外的处理，如转灰度，二值化等操作；
转灰度处理 ： 利用Image对象的convert()方法参数传入L，即可将图片转成为灰度图像：
from PIL import Image
image = Image.open("1.jpg")
image = image.convert('L')
image.show()
传入1的后，即可将图片进行二值化处理：
（二值化是指将图像上的像素点的灰度值设置为0或255，也就是将整个图片呈现出明显的只有黑和百的视觉效果）
import tesserocr
from PIL import Image
image = Image.open("1.jpg")
image = image.convert('1')
image.show()
