声明

本文章中所有内容仅供学习交流，抓包内容、敏感网址、数据接口均已做脱敏处理，严禁用于商业用途和非法用途，否则由此产生的一切后果均与作者无关，若有侵权，请联系我立即删除！

网站

https://match.yuanrenxue.cn/match/8

网站分析

首先进去

就看到是如此复杂的文字验证码。
我们首先刷新网站用浏览器自带的抓包软件抓抓看

可以看到网站中的验证码照片中的文字都在这个请求中，
继续往下看

还有个base64的图片

代码分析

所以我们直接请求下看看能不能请求得到

发现可以
当然光这样是不行的，我们还需要吧这个base64的字符串转换成图片

def base64toJPG(base64_data,pic_name):
    data = base64.b64decode(base64_data)
    with open(pic_name, 'wb') as f:
        f.write(data)

这里我们点击网站看看发送成功的包是什么样的

会发现这里返回给我们的是一堆莫名其妙的数字，有点像坐标的定值。

但是经过分析可知。这里返回给我们的数字，是这些div的索引值，
如果你点击第一个第二个第三个div 返回给我们的则是 0,1,2

那这样的话，我们只需要把这些坐标的中心点写好定值即可。

coordinate_map  = {
    1: 124,
    2: 135,
    3: 146,
    4: 425,
    5: 468,
    6: 475,
    7: 725,
    8: 735,
    9: 775
}

那现在我们找到了中心点坐标，也找到了对应的字
那下一步就是如何从图片中提取出这些文字和坐标了

图像处理

由于这个图片的背景颜色很深，而且还有很多横杠，非常影响ocr识别。基本不可能成功。
这里选择用cv2 2值化处理
由于本人确实没怎么学过这个2值化处理。所以只能借用别人写好的直接用了。

影像识别库和打码平台识别

这里可以选择两种方式
第一种就是影像识别库
例如

ddddocr

pip install ddddocr -i https://pypi.tuna.tsinghua.edu.cn/simple

pytesseract tesseract(需要配合安装在本地的tesseract-ocr.exe文件一起使用)

pip install pytesseract

PaddleOCR(需要配合安装在本地的tesseract-ocr.exe文件一起使用)

pip install paddlepaddle
pip install shapely
pip install paddleocr

easyocr(支持80多种语言的识别，识别精度超高)

pip install easyocr

muggle_ocr(轻量级的ocr识别库,文字提取效果稍差)
pip install muggle_ocr
cnocr(Python 开源识别工具)

pip install cnocr

打码平台超级鹰
http://www.chaojiying.com/user/

这里我选择的是easyocr 因为对中文的支持很好
这里简单说下识别的流程

得到上文2值化的图片2进制
将图片切割成9份，一个字一个字的识别这样识别效率高
传入OCR识别
将9个文字和得到的4个字进行匹配，然后返回相应的坐标值。

总结

即使这样识别率依然很低，所以这里提供两个方案

手动识别（最笨，但是最有用）
做好优化，每当识别不全字。就重新发起请求，然后重新执行。

本次请求选择了手动输入。
最后把所有数据合成一个列表调用一下这个方法,拿到重复出现频率最高的数字

def find_repeat_data(_list):
    repeat_list = []
    for i in set(_list):
        ret = _list.count(i)  # 查找该数据在原列表中的个数
        if ret > 1:
            item = dict()
            item[i] = ret
            repeat_list.append(item)
    return repeat_list