先用下面这段代码爬取测试数据集
import urllib.request
from multiprocessing.dummy import Pool as ThreadPool
import os
url = '/captcha.gif'
output = '.gif'
targetDir = r"zhihu"
def destFile(path):
if not os.path.isdir(targetDir):
os.mkdir(targetDir)
t = os.path.join(targetDir, path)
return t
def saveimg(i):
urllib.request.urlretrieve(url, destFile(str(i)+output))
pool = ThreadPool(8)
pool.map(saveimg, range(1, 10000))
pool.close()
pool.join()得到10000张图片
注意左下角只有9858个图片,在运行过程中程序假死了,可能是因为服务器端DoS了,也可能是我不知道的原因。
网上查了下python对图片的识别,在2.x时代有PIL、pytesser、tesseract,效果不太好且PIL不支持3。
去翻翻机器学习有什么好东西再继续
参考资料:
1.Python验证码识别处理实例