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。
文章版权所有:州的先生博客,转载必须保留出处及原文链接
棒