3月份报了驾校准备考驾照，由于是自主预约课时，所以有时会忘记，结果会导致自己想跟的教练的课程预约不到。而且到了科目三，就连排名最后的教练都会立刻预约爆满，在此背景下，想到了利用爬虫来帮助自己预约想要上的课时。项目主要涉及的技术点有：自动识别验证码，模拟登录，xpath分析抓取下来的页面。模拟登录前面之前项目已经总结过了，所以这里重点总计验证码的自动识别。
其实一开始没想做这么复杂，想着是自己用，只要手动输入验证码的方式可以 实现就够了。可是在编程的过程中，由于一直要调试，所以发现每次手动输入验证码的流程还是挺繁琐的，于是就干脆一不做二不休，做成自动化识别验证码。整个研究学习过程大概可以分为三大阶段：
这种方法在网上目前是主流且比较快捷的方法，因为Python有比较成熟的的第三发库pytesseract，只要再按装tesseract-ocr和pytesseract的相关依赖库就可以直接使用。主要流程有：下载，图片预处理（包括灰度处理，二值化等），识别。其中比较重要也是比较繁琐的就是图片预处理阶段。这个步骤主要目的就是将验证码中的噪点和干扰线去掉，而现在的验证码的噪点一般都比较复杂，这里使用的是Flood Fill算法去除，当然这里面借用了Python的科学计算库NumPy。但是最后的结果显示识别率不到5%。
由于第一种方法识别率太低了，实际使用的时候还是得手动输入，所以得继续探索还有那些可行的方案。由于之前在kaggle上面用KDTree算法做过一个识别手写数字的小项目， 所以自然联系到是否可以搬过来识别验证码，然后就准备按照以下步骤处理：
a. 图像灰度化
b. 图像二值化
c. 去噪
d. 图像分割
e. 归一化
f. 提取字符特征
g. 训练样本
h. 识别
当做到图像分割这一步的时候，偶然间发现了此网站的验证的一个特征，然后就产生了新的想法（如下）。鉴于方法3的识别率已经很高了，所以此方法目前还没有实现， 但是整体思路还是这样的，先列出来，以后有空可以试着继续做完。
上面提到的特征是，此网站验证码的干扰线不是随机的，而是每个字符都配有一个固定的干扰线，且任意两个字符（包括对应的干扰线）不会有重叠部分。基于此特征，在将验证码二值化后，统计出每列有效像素点（值为1）的个数，这样就可以得到一个总的数字序列，然后提取出每个字符（10个数字和52个大小写字母）特有的数字序列用hash表存储。这样预处理之后，就可以将每张验证码当成一个父数字序列，而每个字符是一个子数字序列，只需寻找这个父数字序列中包含哪些字符子数字序列即可。
但在实际处理中，又遇到了新问题：虽然每个字符的干扰线是固定的，但实际上，不同验证中的相同字符，还是会有几个像素的不一样，这样如果直接使substring匹配，识别率也是很低的。改进的方法是使用LVS(最长公共子序列)算法代替，同时将数字序列再稍加处理，变成字符序列，即将每一个数字（这里是50以内）映射为一个唯一的字符。这样处理完之后，识别率直接可以达到97%，已经完全满足实际运行需求了。