python利用Tesseract识别验证码

无论是是自动化登录还是爬虫，总绕不开验证码，这次就来谈谈 python 中光学识别验证码模块 tesserocr 和 pytesseract 。 tesserocr 和 pytesseract 是Python的一个OCR识别库，但其实是对 tesseract 做的一层Python API封装， pytesseract 是Google的 Tesseract-OCR 引擎包装器；所以它们的核心是 tesseract ,因此在安装 tesserocr 之前，我们需要先安装 tesseract 。

下载安装

下载地址： https://digi.bib.uni-mannheim...

下载完成后，双击安装，可以勾选 Additional language data(download) 选项来安装OCR识别支持的语言包，但下载语言包实在是慢，我们可以直接从 https://github.com/tesseract-... 下载zip的语言包压缩文件，解压后将 tessdata-master 中的文件复制到 Tesseract 的安装目录 C:\Program Files (x86)\Tesseract-OCR\tessdata 目录下，最后我们配置下环境变量，我们将 C:\Program Files (x86)\Tesseract-OCR 添加到环境变量中。进入命令提示符，输入 tesseract ，显示下图结果，说明配置完成

查看安装了的语言包： tesseract --list-langs

显示我一共安装了167种语言包，里边包含英文或者其他字符。

测试

实验用的二维码

基本使用语法

tesseract image.png result （tesseract 图片名称 生成文件名称）

结果

由结果来看，识别出来了P、2和X，但是把C识别成了G，识别度还是比较高，接下来看在python中的使用

python引入tesseract

在python下使用pip命令即可完成下载安装 pip install pytesseract

识别验证码脚本

import pytesseract
from PIL import Image

im=Image.open('pin.png')
print(pytesseract.image_to_string(im))

结果

这样识别的结果同样跟上文一样，个别字符识别的不是很准确

图像处理

现在网站上的二维码设计的通常很难复杂，如果直接识别的话很难识别出来，下面这段代码是进行灰度处理和二值化

import pytesseract
from PIL import Image

im=Image.open('5.jpg')
#进行置灰处理
im=im.convert('L')
#这个是二值化阈值
threshold=150
table=[]
for i in range(256):
    if i<threshold:
        table.append(0)
    else:
        table.append(1)
#通过表格转换成二进制图片，1的作用是白色，0就是黑色
im=im.point(table,"1")
im.show()
print(pytesseract.image_to_string(im))

原图

置灰和二值化后

想要提高识别率只能下载训练好的语言包，如上述所说，或者用深度学习的方法训练机器

原文地址： https://nolon.xyz/archives/77/