前言

大家應該都有所體會，為了提高驗證碼的識別準確率，我們當然要首先得到足夠多的測試數據。驗證碼下載下來容易，但是需要人腦手工識別著實讓人受不了，于是我就想了個折衷的辦法——自己造驗證碼。

為了保證多樣性，首先當然需要不同的字模了，直接用類似ttf格式的字體文件即可，網上有很多ttf格式的字體包供我們下載。當然，我不會傻到手動下載解壓縮，果斷要寫個爬蟲了。

實現方法

網站一：fontsquirrel.com

這個網站的字體可以免費下載，但是有很多下載點都是外鏈連接到其他網站的，這部分得忽略掉。

#coding:utf-8import urllib2,cookielib,sys,re,os,zipfileimport numpy as np#網站登陸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，因為正則表達式是單行匹配。。。。。。 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()#文件記得關閉，否則下面unzip會出錯 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+個字體，種類也挺多的，蠻好。

網站二：dafont.com

這個網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('../')