关于简单验证码的识别

[dotpig]

受爱国青年的影响，最近喜欢读人民日报。人民日报网站提供 pdf 下载，每一页一个 pdf 文件。本来很好的一件事，我可以弄个脚本每天自动下载、合并一张报纸的十几个 pdf ，回家后就可以看了（本地报纸我就是这么弄的）。但是，人民日报选择给人民制造一点麻烦，就是下载每一页报纸都要输入验证码。验证码很简单，就是 4 个等宽数字，如下图：



由于我不会编程，咨询一下有没有简单方便的识别方法可用，比如 python 的，最终目的就是在脚本里方便的将验证码识别并提交，然后下载对应的文件（ curl ）。

[scnace]

尝试一下 ocr

[int64ago]

不需要 OCR ，这种是最简单的，过滤背景-分割-对比

[jswh]

@int64ago 还是 OCR 方便，自己写其实最终也是 OCR 那一套。

https://github.com/tesseract-ocr/tesseract

[niboy]

PIL

[dotpig]

发现有 PyTesser 可用。悲剧的是，我发现人民日版数字版其实要钱的，下了三页以后就要求输入订阅帐号了。那我只能上网学习人民日报了。

[Garantion]

最简单的 KNN 即可 Github 上一搜一大把

[yangxiongwei]

https://github.com/veryyoung/crack-capatcha

[tscat]

二值化之后 ocr 就行

[klesh]

会 python 不会编程？

[bazingaterry]

这个和我校的教务系统很像，我处理的时候直接 OCR 就有 70% 成功率。

[popok]

次世代验证码识别，可以找下破解版。
SDK 例程： http://antiyzm.sinaapp.com/
就你这个验证码的话，识别率可以到 100%

[popok]

新建工程，然后每个数字都做一个字模，然后生成 cds 文件，用 python 调用一个 dll ，加载这个字模文件，就能识别了

[coolzjy]

这种类型的验证码，曾经用 JavaScript 搞了一个在浏览器环境中识别的。
http://coolzjy.github.io/captcha-reader/

[coolzjy]

@dotpig 下载三页确定不是 cookie 控制的？

[fusae]

( https://segmentfault.com/q/1010000005686388)[https://segmentfault.com/q/1010000005686388]

[fusae]

(ocr)[https://segmentfault.com/q/1010000005686388]

[DaCong]

我记得我曾经搞过一个类似的，好像是教务系统的。
说一下大致思路：
1. 图片降噪
2. OCR 识别

[bumz]

@Garantion KNN 指什么？ k-Nearest Neighbors?

[Garantion]

@bumz 是的，不好意思，写缩写写错了，应该是 k-NN 。

[panda0]

tesseract 我刚试了下，好像毫无难度。