【1500W | 50G】验证码样本合集

前言

是的，没错，就是标题党，最近装修噪音太吵了打算搬家，所以我又来了（疯狂暗示），我觉得你们可能有需要，所以我又搬运了验证码爬虫框架以及正确的样本采集方法。

分类展示

约一千五百多万高质量样本，说不定有一种就是你正遇到的。

分类示例：

链接：https://pan.baidu.com/s/1rXUmaxP9hTi_pIJbXBj3aA 
提取码：qdts 

如何采集呢

1. 首先采集使用了【自研简易验证码爬虫框架】

一般的验证码获取流程分为三大步骤

1. 前置请求, 获取验证码相关参数
2. 验证码请求, 获取验证码
3. 校验请求, 通过官网判定验证码是否正确

通过继承 Project 类实现具体的流程 utils.Project

1. def before_process()-> dict, 返回其他流程需要的参数字典, 通过 self.before_params访问
2. def captcha_process() -> Tuple[bytes, str], 返回验证码图片bytes和识别后的内容
3. def feedback_process() -> bool, 返回验证码反馈情况，是否正确

在 const.json 文件中补充自己的 联众账号 和 百度API 以及样本保存的路径

{
  "baidu":  {
    "app_id":  "app_id",
    "api_key": "api_key",
    "secret_key": "secret_key"
  },
  "lianzhong": {
    "username": "username",
    "password": "password"
  },
  "target_dir": "D:/Samples"
}

编写流程：

1. 补充const.json
2. 在spiders包下面新建自己的爬虫可以参考demo.py
3. 在app.py中执行

其中spiders/demo.py是采集某度贴吧的验证码例子：

#!/usr/bin/env python3
# -*- coding:utf-8 -*-
# Author: kerlomz <[email protected]>
import json
from typing import Tuple
from utils import Project, ServiceType, ProxyType


class Baidu(Project):
    """
    定义自己的类
    """

    def __init__(self):
        super().__init__()
        # 选择识别服务 [MuggleOCR, BaiduOCR, LianZhong]
        self.service_type = ServiceType.MuggleOCR
        # 联众的验证码类型
        self.captcha_type = "1105"

        # 前置页面 （验证码出现的页面，用于获取相关参数）
        self.before_url = "https://tieba.baidu.com/f/commit/commonapi/getVcode"
        # 验证码页面 用于获取验证码
        self.captcha_url = "https://tieba.baidu.com/cgi-bin/genimg"
        # 提交页面 用于校验验证码是否准确
        self.feedback_url = "https://tieba.baidu.com/f/commit/commonapi/checkVcode"

    def before_process(self, retry=0) -> dict:
        """
        前置页面，获取验证码需要 captcha_vcode_str 参数，return 参数字典提供后面流程调用
        :param retry: 重试计数
        :return: 参数字典
        """
        payload = {
            "content": "1",
            "tid": "6716233397",
            "lm": "2539781",
            "word": "\u5b9d\u9a6cx3",
            "rs10": "0",
            "rs1": "0",
            "t": "0.8048427376809806"
        }
        r = self.session.post("https://tieba.baidu.com/f/commit/commonapi/getVcode", data=payload)
        resp = r.text
        resp_json: dict = json.loads(resp)
        if 'captcha_vcode_str' in resp_json.keys():
            captcha_vcode_str = resp_json.get('captcha_vcode_str')
            return {"captcha_vcode_str": captcha_vcode_str}
        else:
            print(resp_json)
            return {}

    def captcha_process(self) -> Tuple[bytes, str]:
        """
        :return: 返回两个参数：验证码bytes内容, 返回验证码标签
        """
        if not self.before_params.get('captcha_vcode_str'):
            raise ValueError('captcha_vcode_str is miss')
        captcha_bytes = self.session.get(
            self.captcha_url + "?{}".format(self.before_params['captcha_vcode_str'])
        ).content

        captcha_text = self.platform.request(captcha_bytes)
        return captcha_bytes, captcha_text

    def feedback_process(self, captcha_text: str) -> bool:
        """
        :param captcha_text: 验证码识别结果
        :return: 返回验证状态 [验证码正确, 验证码错误]
        """
        if not captcha_text:
            return False
        if len(captcha_text) != 4:
            return False
        if not self.before_params['captcha_vcode_str']:
            raise ValueError('miss captcha_vcode_str')
        payload = {
            "captcha_vcode_str": self.before_params['captcha_vcode_str'],
            "captcha_code_type": "1",
            "captcha_input_str": captcha_text,
            "fid": "2539781"
        }
        r = self.session.post(self.feedback_url, data=payload)
        if '{"anti_valve_err_no":0}' in r.text:
            return True
        else:
            r.encoding = "gbk"
            print(r.text)
            return False


if __name__ == '__main__':
    pass

上面的采集框架源码：https://github.com/kerlomz/captcha_spider

填充完三大步骤之后，使用百度OCR识别即可采集hhhhh，但是吧，这个api字符集不多，需要结合其他的api，可以在service.py中自行添加，采集了验证码图片之后如图：

2. 其次使用Captcha Trainer框架训练

笔者采集了19w，轻松训练到97.8%识别率，使用的训练框架是：
https://www.jiqizhixin.com/articles/2020-06-11-13 介绍的框架。

名为【captcha_trainer】算是业内比较成熟的企业级框架了。
GitHub地址：https://github.com/kerlomz/captcha_trainer

使用到的采集框架的源码：https://github.com/kerlomz/captcha_spider

配置的参数如图：

有问题可以联系作者：27009583