在Python中使用tesseract识别验证码

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。

分类目录: 数据采集编程

标签: Python验证