Python 识别验证码‎

安装

1. Tesseract-OCR
   链接：https://www.jianshu.com/p/9e97c9b7dab6
   源码编译：可参照官方 Wiki
   windows：安装包可以在 Sourceforge 上下载，不过只有 3.02 版本的安装包
   Linux：以 Ubuntu 为例，在终端输入 sudo apt-get tesseract-ocr 即可进行安装

2. pytesseract，Pillow，pip 安装即可 pip install pytesseract pip install Pillow

识别率较低。

图片处理

# 降噪，图片二值化，为了消除背景对文字的影响，可以通过设置一个阈值来将文字与背景分隔开来。
# 这里将阈值设置为 140，然后将大于阈值的像素置 1，小于阈值的置 0。
def initTable(threshold=140):
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)

    return table

i = Image.open(BytesIO(r.content))
i = i.convert('L') # 将彩色图像转化为灰度图
binaryImage = i.point(initTable(), '1') # im.point() 可以将灰度图二值化
# binaryImage.show() # 打开图片

识别文本

可以通过 pytesseract 的 image_to_string() 函数将图片转化为文本，该函数还可以接受参数 config，config 设置的是 Tesseract-OCR 引擎的参数，可自行查阅引擎的帮助文本。不过我们只需要用到 psm 参数，具体的 psm 参数值如下：

-psm N
    Set Tesseract to only run a subset of layout analysis and assume a certain form of image. The options for N are:

    0 = Orientation and script detection (OSD) only.
    1 = Automatic page segmentation with OSD.
    2 = Automatic page segmentation, but no OSD, or OCR.
    3 = Fully automatic page segmentation, but no OSD. (Default)
    4 = Assume a single column of text of variable sizes.
    5 = Assume a single uniform block of vertically aligned text.
    6 = Assume a single uniform block of text.
    7 = Treat the image as a single text line.
    8 = Treat the image as a single word.
    9 = Treat the image as a single word in a circle.
    10 = Treat the image as a single character.

识别图片的代码：

print(pytesseract.image_to_string(binaryImage, config='-psm 7'))

完整代码

# 降噪，图片二值化，为了消除背景对文字的影响，可以通过设置一个阈值来将文字与背景分隔开来。
# 这里将阈值设置为 140，然后将大于阈值的像素置 1，小于阈值的置 0。
def initTable(threshold=140):
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)

    return table

# 验证码处理，去掉识别出来的空格特殊字符等，仅保留字母和数字
codePattern = re.compile(r'[^a-zA-Z0-9]')
def replaceCode(code):
    return codePattern.sub('', code)


# 获得验证码
def vcode(req):
    posturl = baseURL + "varpic.do"
    r = req.get(posturl, headers=headers) # 获得验证码图片

    i = Image.open(BytesIO(r.content))
    i = i.convert('L') # 将彩色图像转化为灰度图
    binaryImage = i.point(initTable(), '1') # im.point() 可以将灰度图二值化
    # binaryImage.show() # 打开图片
    code = pytesseract.image_to_string(binaryImage, config='-psm 7')
    code = replaceCode(code)
    return code

参考链接

Python 识别验证码