許多流行的內(nèi)容管理系統(tǒng)即使加了驗證碼模塊柠硕，其眾所周知的注冊頁面也經(jīng)常會遭到網(wǎng)絡 機器人的垃圾注冊。

那么运提，這些網(wǎng)絡機器人究蝗柔，竟是怎么做的呢?既然我們已經(jīng)闻葵，可以成功地識別出保存在電腦上 的驗證碼了，那么如何才能實現(xiàn)一個全能的網(wǎng)絡機器人呢?

大多數(shù)網(wǎng)站生成的驗證碼圖片都具有以下屬性癣丧。

• 它們是服務器端的程序動態(tài)生成的圖片槽畔。驗證碼圖片的 src 屬性可能和普通圖片不太一 樣，比如 <img src="WebForm.aspx?id=8AP85CQKE9TJ">坎缭，但是可以和其他圖片一樣進行 下載和處理竟痰。

• 圖片的答案存儲在服務器端的數(shù)據(jù)庫里。

• 很多驗證碼都有時間限制掏呼，如果你太長時間沒解決就會失效坏快。
  常用的處理方法就是，首先把驗證碼圖片下載到硬盤里憎夷，清理干凈莽鸿，然后-
  用 Tesseract 處理 圖片，最后返回符合網(wǎng)站要求的識別結果拾给。

    #!/usr/bin/env python
    # -*- coding:utf-8 -*-
  
    import requests
    import time
    import pytesseract
    from PIL import Image
    from bs4 import BeautifulSoup
  
    def captcha(data):
        with open('captcha.jpg','wb') as fp:
            fp.write(data)
        time.sleep(1)
        image = Image.open("captcha.jpg")
        text = pytesseract.image_to_string(image)
        print "機器識別后的驗證碼為：" + text
        command = raw_input("請輸入Y表示同意使用祥得，按其他鍵自行重新輸入：")
        if (command == "Y" or command == "y"):
            return text
        else:
            return raw_input('輸入驗證碼：')
  
    def zhihuLogin(username,password):
  
        # 構建一個保存Cookie值的session對象
        sessiona = requests.Session()
        headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:47.0) Gecko/20100101 Firefox/47.0'}
  
        # 先獲取頁面信息，找到需要POST的數(shù)據(jù)（并且已記錄當前頁面的Cookie）
        html = sessiona.get('https://www.zhihu.com/#signin', headers=headers).content
  
        # 找到 name 屬性值為 _xsrf 的input標簽蒋得，取出value里的值
        _xsrf = BeautifulSoup(html ,'lxml').find('input', attrs={'name':'_xsrf'}).get('value')
  
        # 取出驗證碼级及，r后面的值是Unix時間戳,time.time()
        captcha_url = 'https://www.zhihu.com/captcha.gif?r=%d&type=login' % (time.time() * 1000)
        response = sessiona.get(captcha_url, headers = headers)
  
  
        data = {
            "_xsrf":_xsrf,
            "email":username,
            "password":password,
            "remember_me":True,
            "captcha": captcha(response.content)
        }
  
        response = sessiona.post('https://www.zhihu.com/login/email', data = data, headers=headers)
        print response.text
  
        response = sessiona.get('https://www.zhihu.com/people/maozhaojun/activities', headers=headers)
        print response.text
  
  
    if __name__ == "__main__":
        #username = raw_input("username")
        #password = raw_input("password")
        zhihuLogin('xxxx@qq.com','ALAxxxxIME')
  

值得注意的是，有兩種異常情況會導致這個程序運行失敗额衙。第一種情況是饮焦，如果 Tesseract 從驗證碼圖片中識別的結果不是四個字符(因為訓練樣本中驗證碼的所有有效答案都必須 是四個字符)，結果不會被提交窍侧，程序失敗县踢。第二種情況是雖然識別的結果是四個字符， 被提交到了表單伟件，但是服務器對結果不認可硼啤，程序仍然失敗。

在實際運行過程中斧账，第一種 情況發(fā)生的可能性大約為 50%谴返，發(fā)生時程序不會向表單提交，程序直接結束并提示驗證碼 識別錯誤咧织。第二種異常情況發(fā)生的概率約為 20%亏镰，四個字符都對的概率約是 30%(每個字 母的識別正確率大約是 80%，如果是五個字符都識別拯爽，正確的總概率是 32.8%)索抓。