前言
大家應(yīng)該都有所體會(huì),為了提高驗(yàn)證碼的識(shí)別準(zhǔn)確率,我們當(dāng)然要首先得到足夠多的測(cè)試數(shù)據(jù)。驗(yàn)證碼下載下來容易,但是需要人腦手工識(shí)別著實(shí)讓人受不了,于是我就想了個(gè)折衷的辦法――自己造驗(yàn)證碼。
為了保證多樣性,首先當(dāng)然需要不同的字模了,直接用類似ttf格式的字體文件即可,網(wǎng)上有很多ttf格式的字體包供我們下載。當(dāng)然,我不會(huì)傻到手動(dòng)下載解壓縮,果斷要寫個(gè)爬蟲了。
實(shí)現(xiàn)方法
網(wǎng)站一:fontsquirrel.com
這個(gè)網(wǎng)站的字體可以免費(fèi)下載,但是有很多下載點(diǎn)都是外鏈連接到其他網(wǎng)站的,這部分得忽略掉。
#coding:utf-8import urllib2,cookielib,sys,re,os,zipfileimport numpy as np#網(wǎng)站登陸cj=cookielib.CookieJar()opener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))opener.addheaders=[('User-agent','Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36))')]urllib2.install_opener(opener)#搜索可下載連接def search(path): request=urllib2.Request(path) response=urllib2.urlopen(request) html=response.read() html=html.replace('/n',' ')#將所有的回車去掉,因?yàn)檎齽t表達(dá)式是單行匹配。。。。。。 urls=re.findall(r'<a href="(.*?)" rel="external nofollow" >(.*?)</a>',html) for i in urls: url,inner=i if not re.findall(r'Download ',inner)==[] and re.findall(r'offsite',inner)==[] and url not in items: items.append(url)items=[]#保存下載地址for i in xrange(15): host='http://www.fontsquirrel.com/fonts/list/find_fonts/'+str(i*50)+'?filter%5Bdownload%5D=local' search(host)if not os.path.exists('ttf'): os.mkdir('ttf')os.chdir('ttf')def unzip(rawfile,outputdir): if zipfile.is_zipfile(rawfile): print 'yes' fz=zipfile.ZipFile(rawfile,'r') for files in fz.namelist(): print(files) #打印zip歸檔中目錄 fz.extract(files,outputdir)#解壓縮文件 else: print 'no'for i in items: print i request=urllib2.Request('http://www.fontsquirrel.com'+i) response=urllib2.urlopen(request) html=response.read() name=i.split('/')[-1]+'.zip' f=open(name,'w') f.write(html) f.close()#文件記得關(guān)閉,否則下面unzip會(huì)出錯(cuò) unzip(name,'./') os.remove(name)os.listdir(os.getcwd())os.chdir('../')files=os.listdir('ttf/')for i in files:#刪除無用文件 if not (i.split('.')[-1]=='ttf' or i.split('.')[-1]=='otf'): if os.path.isdir(i): os.removedirs('ttf/'+i) else: os.remove('ttf/'+i)print len(os.listdir('ttf/'))搞到了2000+個(gè)字體,種類也挺多的,蠻好。
網(wǎng)站二:dafont.com
這個(gè)網(wǎng)站的字體花樣比較多,下載起來也比較方便,惡心的是他的文件名的編碼好像有點(diǎn)問題。
#coding:utf-8import urllib2,cookielib,sys,re,os,zipfileimport shutilimport numpy as npcj=cookielib.CookieJar()opener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))opener.addheaders=[('User-agent','Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36))')]urllib2.install_opener(opener)items=[]def search(path): request=urllib2.Request(path) response=urllib2.urlopen(request) html=response.read() html=html.replace('/n',' ') urls=re.findall(r'href=/"(http://dl.dafont.com/dl//?f=.*?)/" >',html) items.extend(urls)for i in xrange(117): host='http://www.dafont.com/new.php?page='+str(i+1) search(host) print 'Page'+str(i+1)+'done' items=list(set(items)) print len(items)if not os.path.exists('ttf2'): os.mkdir('ttf2')os.chdir('ttf2')def unzip(rawfile,outputdir): if zipfile.is_zipfile(rawfile): print 'yes' fz=zipfile.ZipFile(rawfile,'r') for files in fz.namelist(): print(files) #打印zip歸檔中目錄 fz.extract(files,outputdir) else: print 'no'for i in items: print i request=urllib2.Request(i) response=urllib2.urlopen(request) html=response.read() name=i.split('=')[-1]+'.zip' f=open(name,'w') f.write(html) f.close() unzip(name,'./') os.remove(name)print os.listdir(os.getcwd())for root ,dire,fis in os.walk('./'):#遞歸遍歷文件夾 for i in fis: if not (i.split('.')[-1]=='ttf' or i.split('.')[-1]=='otf'): os.remove(root+i) print ifor i in os.listdir('./'): if os.path.isdir(i): os.rmdir(i)os.chdir('../')總體操作跟之前的差不多,跑了幾十分鐘下了4000多的字體。
總結(jié)
以上就是這篇文章的全部內(nèi)容了,希望本文的內(nèi)容對(duì)大家學(xué)習(xí)或者使用python能帶來一定的幫助,如果有疑問大家可以留言交流,謝謝大家對(duì)武林網(wǎng)的支持。
新聞熱點(diǎn)
疑難解答
圖片精選