原贴链接:https://v2ex.com/t/267702
栗子: http://www.yinhang.com/licaichanpin_gRrgLT98.html
以前一直觉得爬虫的难度可能在 ip ,频次,模拟鼠标操作等等,从来不觉得解析 html 是问题,但是这次是真给跪了。
网页上的 数字和标点 都是图片生成的,而且每次请求图片都不一样。
第一次遇见这种,如果爬不了,多问一句,有没有这样子的开源库可以拿来做防爬虫。。
main.py
中为尝试使用tesseract
进行图片字符识别,效果不好(可能是姿势不对~~)。
_
为 icedx@v2ex同学提供,二值化图片后计算相似度,效果不错(推荐!)