寫網路爬蟲最討厭的事莫過於遇到網站需要驗證碼，去 google 「網站驗證碼 破解」也會看到一堆文章，無奈一大半都是從對岸翻譯的，很多都不能用，花了點時間實際用證交所買賣日報表的驗證碼來測試，簡單整理了一下筆記
工人智慧
你沒看錯我沒寫錯，真的是「工人智慧」，不是「人工智慧」
代表的網站有這兩間
它們的原理很簡單，就是用低價去人力成本低廉的地方找人來分辨驗證碼回傳賺取價差。
由網站提供介面和 API，客戶註冊後使用網站提供的 API 上傳需要破解的驗證碼，網站收到需求後分配給線上的工作人員，工作人員辨識完成後回傳。根據網站的說法，普通工作人員每月約能賺 100 美金左右，在印度、巴基斯坦..等國家已經算不錯的薪資了，而且只需要一台電腦或手機就能工作，還有工作人員的故事，其實我還蠻配服想到這個方法的人，也不算是剝削工作人員，只能說是各取所需吧
我有列入考慮，但最後沒真的去測試，不過相信辨識率應該不差，畢竟是真人辨識的，而且價格對我們而言不高，1000個驗證碼約為 0.5~1 美元，真的要用也在可以負擔的範圍能力內
列入考慮Tesseract
tesseract 是 google 的 OCR 文字辨識，大概也是找到最多文章說能夠拿來破解驗證碼的方法
Python 有幾個 library，底層都是用 tesseract，像是
使用上需要先下載 tesseract，不過官方並沒有提供 windows 的安裝檔，如果需要在本機測試的話，要先到 3rd party找安裝檔，下載連結如下：下載連結
程式寫起來很簡單，我是測試 pytesseract，基本上就是用官網的 sample code 就可以了，但如果你的目的是證交所的買賣日報表的話，可以不用試了，我實測結果是無法辨識，不管是基本用法或是網路上其他的文章說的什麼 灰度處理、降噪，都沒有用，只能說買賣日報表的驗證碼做的還不差吧。畢竟 OCR 本來的目的就只是要做一般文字辨識，不是拿來辨識驗證碼的
Amazon Textract
Amazon Textract 是 AWS 提供的文字辨識工具，要使用的前提是要有 AWS 帳號，這個服務看官網說明是要收費的，但是我測試了 20筆資料，沒看到帳單有費用，但如果你的目的是證交所的買賣日報表的話，也可以不用試了，我實測結果 20筆資料，只辨識成功 1筆，辨識成功率 5%，不過好像也不能怪 AWS，畢竟這個工具和 OCR 一樣，本來就不是設計來辨識驗證碼的
Deep Learning | CNN
在測試前，我就認為這個應該是正解，畢竟如果連 CNN 都搞不定，大概就只能去用工人智慧了
不過網路上說什麼「十五分鐘實戰」，一堆對岸的文章看看就好，基本上用 Deep Learning 有一定的進入門檻在，如果沒學過怎麼用 AI 建模型，不要說十五分鐘，十五天都不一定學的會。為了破解個驗證碼，還要去學 CNN 好像 CP 值太低了點。
不過在這個套件當道的時候，應該有些好心人會封裝出好用的套件吧，然後我找到 ddddocr
ddddocr 帶帶弟弟OCR通用驗證碼識別SDK免費開源版
有點中二的名字，大陸人寫的，從說明來看，底層就是 deep learning，只是已經先幫我們建好模型了，同樣實測 20筆資料，成功了 14筆，辨識成功率 70%，雖然看起來不太高，但實務上我覺得夠用了，反正辨識失敗就再換個驗證碼再來一次就好
實測記錄
也只有 Amazon Textract 和 ddddocr
| 圖片 | Amazon Textract | ddddocr (1.3) |
|---|---|---|
| N/A | X8NFG | |
| 7U9kM | 7U9Kt | |
| m TO | GRNLL | |
| LX24P | lx24D | |
| N/A | 99UV | |
| N/A | Z4N86 | |
| RCRE | RCREC | |
| N/A | K22PA | |
| 6KGCK | 6Kgc | |
| EH | J83EH | |
| N | 2R9N8 | |
| Z:3KRF | Z3KRF | |
| 8YRD | 98yrd | |
| N/A | 4YA7 | |
| 6P.G | 6A2G | |
| PTGR | PZGRZ | |
| APNHO | APNHG | |
| N/A | Y7JPJ | |
| DOQ | JDQQJ | |
| TKQHA | 7KQHA |
