黑板客爬虫闯关解答（更新到第五关）

发表于 更新于 Disqus：

初学爬虫，又没什么想爬的东西，正好看到这个闯关就做了一下。截至今天，游戏作者更新到第五关。

前面4关都比较简单，具体请搜索网上的教程。比如这里有个详细的。

我的代码放在 GitHub：fuyufjh/crawler_ex_answer

说一下第五关：

第五关同样是猜数字，只比第三关多了一个验证码。我们只要把第三关的代码复制过来改改就好。

如果不嫌弃准确率低，可以用 Google 家的 OCR 库 tesseract，Python 下有一个封装库 pytesseract。

作者的验证码对字母做了一个小角度的旋转，这个干扰很大（看来训练数据里没有歪的 sample），导致识别成功率不高，大约20%。

1
2
3
urllib.request.urlretrieve(captcha_image_url, 'captcha.png')
vcode_img = Image.open('captcha.png')
vcode = pytesseract.image_to_string(vcode_img, lang='eng')

有些识别一看就是错误的，就不去发 post 请求验证了。

1
2
if not re.match(r'[A-Z]{4}$', vcode):
    continue

完整代码在这里。

为了提高准确率，我寻思可以用 SIFT 特征匹配字母（因为这个验证码字体都一样，只有旋转变换）。如果做了再更新。