Question

我正在从 CAPTCHA 图像中提取的各种数字为Neuron Network构建训练集。我正在使用 Python 2.7.3 ， lxml 库和 XPath 选择器。

要从验证码中获取正确的图像，我需要提取动态加载到www中的img src，每次都不同，所以我的Python代码是：

import urllib
from lxml import etree, html

adres_prefix = "https://prod.ceidg.gov.pl/CEIDG/CEIDG.Public.UI/"
adres_sufix = etree.XPath('string(//img[@class="captcha"]/@src)')
sock = urllib.urlopen("https://prod.ceidg.gov.pl/CEIDG/CEIDG.Public.UI/Search.aspx")
htmlSource = sock.read()                             
sock.close()
root = etree.HTML(htmlSource)
result = etree.tostring(root, pretty_print=True, method="html")
result2 = adres_sufix(root)
www = adres_prefix + result2
print www

所以每次我收到www：

https://prod.ceidg.gov.pl/CEIDG/CEIDG.Public.UI/captcha.ashx?id=1b7d2b6d-70a6-4ce3-bedd-fe89038fb7f3&empty=1

出了什么问题，因为将此链接复制到我的浏览器中时，我什么都没得到。

包含CAPTCHA

的源页面

我不知道出了什么问题。为什么XPath选择器会 '＆amp; empty = 1' ？有什么想法吗？

Answer 1

原始HTML源代码具有“empty = 1”，因此您的代码是正确的。要获得图像，只需修剪“＆amp; empty = 1”部分。

https://prod.ceidg.gov.pl/CEIDG/CEIDG.Public.UI/captcha.ashx?id=1b7d2b6d-70a6-4ce3-bedd-fe89038fb7f3

提取CAPTCHA图像

1 个答案: