Server_local_code_deployment/src/main/java/com/example/CaptchaOCR.java

package com.example;

import java.awt.image.BufferedImage;
import java.io.*;
import java.net.HttpURLConnection;
import java.net.URL;
import javax.imageio.ImageIO;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;

// ... 其他必要的导入 ...

public class CaptchaOCR {

    // Tesseract data 路径 (tessdata 文件夹所在目录)
    // Windows 示例: "C:\\Program Files\\Tesseract-OCR\\tessdata"
    // Linux/macOS 示例: 通常不需要设置，Tess4J 会自动查找
    private static final String TESSDATA_PATH = "F:\\tool\\Tesseract-OCR\\tessdata"; // 根据你的安装路径修改

    /**
     * 下载验证码图片
     * @param imageUrl 图片的完整 URL
     * @return 图片的 BufferedImage 对象
     * @throws IOException 如果下载失败
     */
    public static BufferedImage downloadImage(String imageUrl) throws IOException {
        URL url = new URL(imageUrl);
        HttpURLConnection conn = (HttpURLConnection) url.openConnection();
        conn.setRequestMethod("GET");
        // 添加 User-Agent 等必要的请求头，模拟浏览器
        conn.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/135.0.0.0 Safari/537.36");
        // ... 其他头 ...

        int responseCode = conn.getResponseCode();
        if (responseCode == HttpURLConnection.HTTP_OK) {
            try (InputStream is = conn.getInputStream()) {
                // 将输入流读取到字节数组，ImageIO 从字节数组读取更稳定
                ByteArrayOutputStream baos = new ByteArrayOutputStream();
                byte[] buffer = new byte[4096]; // 缓冲区大小，可以调整
                int bytesRead;
                while ((bytesRead = is.read(buffer)) != -1) {
                    baos.write(buffer, 0, bytesRead);
                }
                ByteArrayInputStream bais = new ByteArrayInputStream(baos.toByteArray());

                BufferedImage image = ImageIO.read(bais);

                if (image == null) {
                    throw new IOException("Failed to read image from stream. Check image format.");
                }
                return image;
            }
        } else {
            throw new IOException("Failed to download image. HTTP error code: " + responseCode);
        }
    }

    /**
     * 对验证码图片进行预处理 (基础示例：转灰度+二值化)
     * 这是最关键的部分，需要根据验证码样式调整
     * @param originalImage 原始图片
     * @return 预处理后的图片
     */
    public static BufferedImage preprocessImage(BufferedImage originalImage) {
        // TODO: 这里是图像预处理的重点，需要根据实际验证码样式进行调整和优化
        // 基础处理：转灰度 -> 二值化
        int width = originalImage.getWidth();
        int height = originalImage.getHeight();
        BufferedImage grayImage = new BufferedImage(width, height, BufferedImage.TYPE_BYTE_GRAY);
        grayImage.getGraphics().drawImage(originalImage, 0, 0, null);

        BufferedImage binaryImage = new BufferedImage(width, height, BufferedImage.TYPE_BYTE_BINARY);
        // 二值化阈值，可能需要调整 (0-255)
        int threshold = 128;
        for (int y = 0; y < height; y++) {
            for (int x = 0; x < width; x++) {
                int gray = grayImage.getRaster().getSample(x, y, 0);
                if (gray < threshold) {
                    binaryImage.getRaster().setSample(x, y, 0, 0); // 黑色
                } else {
                    binaryImage.getRaster().setSample(x, y, 0, 1); // 白色
                }
            }
        }

        // TODO: 更高级的预处理包括：
        // - 去除干扰线、噪点
        // - 字符分割（如果字符粘连）
        // - 倾斜校正
        // - 调整亮度和对比度等
        // 你可能需要引入更专业的图像处理库或算法

        // 为了调试，可以将预处理后的图片保存下来查看效果
        try {
            File outputfile = new File("preprocessed_captcha.png");
            ImageIO.write(binaryImage, "png", outputfile);
            System.out.println("Preprocessed image saved to " + outputfile.getAbsolutePath());
        } catch (IOException e) {
            e.printStackTrace();
        }

        return binaryImage; // 返回预处理后的图片
    }

    /**
     * 使用 Tess4J 识别图片中的文字
     * @param image 待识别的图片 (最好是预处理后的)
     * @return 识别出的字符串
     */
    public static String recognizeCaptcha(BufferedImage image) {
        Tesseract tesseract = new Tesseract();

        // 设置 tessdata 路径 (如果 TESSDATA_PATH 已正确设置且 Tesseract 安装正确，这行可能不是必需的，Tess4J 会自动查找)
        // 但显式设置更保险
        if (TESSDATA_PATH != null && !TESSDATA_PATH.isEmpty()) {
            tesseract.setDatapath(TESSDATA_PATH);
        } else {
            System.out.println("TESSDATA_PATH not set. Tess4J will try to find tessdata automatically.");
        }


        tesseract.setLanguage("eng"); // 设置识别语言为英文 (通常包含数字)
        // 如果验证码只有数字，可以尝试设置仅识别数字
        // tesseract.setTessVariable("tessedit_char_whitelist", "0123456789");

        try {
            String result = tesseract.doOCR(image);
            // 清理识别结果，去除空格或换行符等
            result = result.trim().replaceAll("[^0-9a-zA-Z]", ""); // 根据验证码内容调整清理规则
            System.out.println("OCR Result: " + result);
            return result;
        } catch (TesseractException e) {
            System.err.println("Error during OCR: " + e.getMessage());
            return null; // 识别失败
        }
    }

    // 示例如何在你的爬虫流程中使用
    public static void main(String[] args) {
        String captchaImageUrl = "YOUR_CAPTCHA_IMAGE_URL"; // 从页面解析获取到的验证码图片 URL

        try {
            // 1. 下载图片
            BufferedImage originalCaptchaImage = downloadImage(captchaImageUrl);
            System.out.println("Image downloaded.");

            // 2. 预处理图片
            BufferedImage preprocessedImage = preprocessImage(originalCaptchaImage);
            System.out.println("Image preprocessed.");

            // 3. 识别验证码
            String captchaCode = recognizeCaptcha(preprocessedImage);

            if (captchaCode != null && !captchaCode.isEmpty()) {
                System.out.println("Recognized CAPTCHA: " + captchaCode);
                // 4. 将 captchaCode 填入 POST 数据中，提交表单
                // ... (你的 ASP.NET WebForms POST 提交代码，将 captchaCode 放到对应的隐藏字段或输入框字段中) ...
                // 例如：postData += "&captchaInputFieldName=" + URLEncoder.encode(captchaCode, StandardCharsets.UTF_8.name());
                // ... 提交 POST 请求 ...

            } else {
                System.out.println("Failed to recognize CAPTCHA.");
                // 5. 处理识别失败的情况，可能需要重试或记录日志
            }

        } catch (IOException e) {
            System.err.println("Error downloading or processing image: " + e.getMessage());
        }
        // catch (URISyntaxException e) {
        //     System.err.println("Invalid URL: " + e.getMessage());
        // } // 如果你的 downloadImage 方法 throws URISyntaxException
    }
}