前言

在对网站数据进行爬取的过程中，由于访问过于频繁或是其他的原因，经常会出现输入验证码进行验证的情况，面对这种验证码验证的问题，一般有三种解决方法：

• 第一种，最简单也是最费时的，手动输入验证码；

• 第二种，使用一些公司的API接口对验证码进行判别和输入；

• 第三种，使用tessract对验证码进行识别；

在这里，我们使用tessract对验证码进行识别。

Tesseract简介

tesseract是谷歌开源的一个ORC组件，并支持语言的训练，支持中文的识别（需要下载语言包）

Python中使用Tesseract

在Python中安装Tesseract一共分为三步：

1、pip安装pytesseract及其他依赖库

pip pytesseract

在使用pytesseract中需要读取图像，所以还需要安装Pillow

2、安装tesseract

下载并安装：https://tesseract-ocr.googlecode.com/files/tesseract-ocr-setup-3.02.02.exe

3、修改tesseract.py文件

防止提示没有匹配的文件

# tesseract_cmd = 'tesseract'
tesseract_cmd = "C:/Program Files (x86)/Tesseract-OCR/tesseract.exe" # tesseract的安装目录

防止提示Unicode编码错误

# f = open(output_file_name)
f = open(output_file_name,encoding='utf-8')

做完这三步，就可以使用tesseract基本的功能了。

下面来看看在实际的代码中如何利用tesseract进行验证码识别：

原始的验证码图像为：

示例验证码为：

#coding:utf-8
'''
    验证码识别
'''
from PIL import Image,ImageFilter,ImageEnhance
import pytesseract

# 二值化
threshold = 140
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)

# 识别验证码
def get_vcode():
    # 打开原始图像
    image = Image.open("getimgbysig.jpg")
    # image = Image.open("e:/a.jpg")

    # 将图像转为灰度，并另存为
    bimage = image.convert('L')
    bimage.save('g'+"getimgbysig.jpg")

    # 进行二值化处理，并另存为
    out = bimage.point(table,'1')
    out.save('b'+"getimgbysig.jpg")

    icode = pytesseract.image_to_string(image)
    bcode = pytesseract.image_to_string(bimage)
    vcode = pytesseract.image_to_string(out)
    print(icode,bcode,vcode)

if __name__ == '__main__':
    get_vcode()

结果输出为：7364，说明识别成功了。

对于简单、清晰的数字，没有经过任何训练的Tesseract还是能够很精确地识别出来。而对于那些模糊、变形的数字、字母或是中文，就需要先对Tesseract进行训练了，暂且不表。

猜你也喜欢