第五关是最后一关了，至此之后黑板课就没有更新过关卡了。
第五关地址：http://www.heibanke.com/lesson/crawler_ex04/
可以看到，是在第三关的基础上加了验证码。
验证码识别我们可以通过 tesserocr 来识别，tesserocr 的使用在我的前面两篇博客中有介绍。
在这里，tesserocr 的识别率不是很高，大概只有10%到15%，通过训练，也没能有啥改善，不知道是不是我弄错了，有尝试过的朋友可以给我留言。
代码如下：
代码语言：javascript复制import re
import requests
import time
from PIL import Image
from bs4 import BeautifulSoup
import tesserocr
def main():
url_login = 'http://www.heibanke.com/accounts/login/'
url = 'http://www.heibanke.com/lesson/crawler_ex04/'
session = requests.Session()
session.get(url_login)
token = session.cookies['csrftoken']
session.post(url_login, data={'csrfmiddlewaretoken': token, 'username': 'xx', 'password': 'xx'})
psd = 0
while psd < 30:
print(f'test password {psd}')
r = session.get(url)
soup = BeautifulSoup(r.text, 'lxml')
img_tag = soup.find('img')
img_url = 'http://www.heibanke.com' img_tag['src']
requests.get(url)
code = get_code(img_url)
if code is None:
time.sleep(1)
continue
token = session.cookies['csrftoken']
r = session.post(url, data={'csrfmiddlewaretoken': token, 'username': 'aa', 'password': psd,
'captcha_0': code[0], 'captcha_1': code[1]})
html = r.text
if '验证码输入错误' in html:
time.sleep(1)
elif '密码错误' not in html:
m = re.search('(?<=<h3>).*?(?=</h3>)', html)
print(m.group())
return
else:
time.sleep(1)
psd = 1
def get_code(url):
flag = url.split("/")[-2]
fn = flag '.png'
with open(fn, 'wb ') as sw:
sw.write(requests.get(url).content)
img = Image.open(fn)
img = img.convert('L')
result = tesserocr.image_to_text(img).strip()
print(flag, result)
if re.match('^[A-Za-z0-9]{4}$', result):
return flag, result
if __name__ == '__main__':
main()
