python爬虫学习（2）用tesserocr识别图像验证码

在学习爬虫的过程中难免会遇到验证码问题，作为纯自动化的爬虫是不可能手动去输入验证码的。

那么我们就要学会怎么去识别它。

而验证码也分很多种类，主要的几种：

（1）图像验证码：这是最简单的一种，也很常见。就比如CSDN登录几次失败之后就会出验证码。

（2）滑块验证码：需要按住滑块并移到正确的位置。比如bilibili的登录验证。（这个我也写过识别代码，源码托管github：https://github.com/OSinoooO/bilibili_geetest。可以去看一看呀QAQ）

（3）点触验证码：需要识别图片中的文字或类型并按序点击。比如12306的登录验证。

（4）宫格验证码：类似安卓的宫格解锁。比如新浪微博的宫格验证码。

                               

 

 

准备工作

我们这次要识别的图像验证码，需要用到tesserocr库，但是安装tesserocr库之前，需要先安装好相应版本的tesseract。因为tesserocr是基于tesseract来封装的库。

 

安装tesseract

Github：https://github.com/tesseract-ocr/tesseract

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

语言包：https://github.com/tesseract-ocr/tessdata

官方文档：https://github.com/tesseract-ocr/tesseract/wiki

文件带dev的是开发版本，不带dev的是稳定版本。

选择需要的版本后开始下载，然后安装配置比较简单，就不多说了。语言包的作用就是可以识别多国语言，可在安装选项里选择，也可以自行下载。（下载后的语言包需要解压后放到Tesseract-OCR/tessdata目录下）

 

安装好之后打开cmd，输入tesseract，如果出现以下信息就说明安装成功。

 

 

 

安装tesserocr

 

tesseract安装好以后就可以安装tesserocr了。

Github： https://github.com/sirFz/tesserocr

PyPi：https://pypi.python.org/pypi/tesserocr

github上有较为详尽的安装说明，大多数情况下我们可以在cmd下通过pip来安装：（前提是安装了pip，一般python都自带）

pip install tesserocr

但是由于windows下tesserocr 2.3.0版本目前还没有，所以pip安装在Windows下面会报错。

解决方法之一是通过wheel安装：

1.下载tesserocr 2.2.2版本的wheel文件（注意与tesseract版本的对应）

2.通过如下命令安装：（需要与下载文件在同一目录下）

pip install 文件名.whl

 

PS：即使库能安装成功，有时候运行还是会出现错误（坑！！），推荐个博文：https://www.imooc.com/article/45278

        至少我遇到的错误是解决了 - -

 

 

代码构建

完成上述准备工作之后，就可以开始写代码了。

代码逻辑是很简单的，为了便于理解和以后的调用，我把它封装成了一些方法：

 

初始化

from PIL import Image
import tesserocr, requests

# 图片下载链接
image_url = 'https://passport.csdn.net/ajax/verifyhandler.ashx'
# 图片保存路径
image_path = 'image/captcha.jpg'

首先导入必要的包，然后初始化连接（可修改）和路径（可修改）。

 

图片下载和获取

def image_download():
    """
    图片下载
    """
    response = requests.get(image_url)
    with open(image_path, 'wb') as f:
        f.write(response.content)

def get_image():
    """
    用Image获取图片文件
    :return: 图片文件
    """
    image = Image.open(image_path)
    return image

 

图像处理

def image_grayscale_deal(image):
    """
    图片转灰度处理
    :param image:图片文件
    :return: 转灰度处理后的图片文件
    """
    image = image.convert('L')
    #取消注释后可以看到处理后的图片效果
    #image.show()
    return image

def image_thresholding_method(image):
    """
    图片二值化处理
    :param image:转灰度处理后的图片文件
    :return: 二值化处理后的图片文件
    """
    # 阈值，控制二值化程度，自行调整（不能超过256）
    threshold = 160
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    # 图片二值化，此处第二个参数为数字一
    image = image.point(table, '1')
    # 取消注释后可以看到处理后的图片效果 
    #image.show()
    return image

经过转灰度和二值化处理之后的图片更加容易识别，可以通过 show() 方法来显示处理后的图片。

处理前：

转灰度处理后：

二值化处理后：

 

图像识别

def captcha_tesserocr_crack(image):
    """
    图像识别
    :param image: 二值化处理后的图片文件
    :return: 识别结果
    """
    result = tesserocr.image_to_text(image)
    return result

调用tesserocr的image_to_text()方法识别：

然后通过调用上述方法，就可以实现自动识别验证码了。

PS：不是每次识别都能成功，要想提高成功率，需要下载训练好的语言包。（下载网速巨慢！！！）

        还有就是用深度学习的方法去训练机器~

源码（Github：https://github.com/OSinoooO/Gaptcha_crack）

from PIL import Image
import tesserocr, requests

# 图片下载链接
image_url = 'http://my.cnki.net/elibregister/CheckCode.aspx'
# 图片保存路径
image_path = 'image/captcha.jpg'

def image_download():
    """
    图片下载
    """
    response = requests.get(image_url)
    with open(image_path, 'wb') as f:
        f.write(response.content)

def get_image():
    """
    用Image获取图片文件
    :return: 图片文件
    """
    image = Image.open(image_path)
    return image

def image_grayscale_deal(image):
    """
    图片转灰度处理
    :param image:图片文件
    :return: 转灰度处理后的图片文件
    """
    image = image.convert('L')
    #取消注释后可以看到处理后的图片效果
    #image.show()
    return image

def image_thresholding_method(image):
    """
    图片二值化处理
    :param image:转灰度处理后的图片文件
    :return: 二值化处理后的图片文件
    """
    # 阈值
    threshold = 160
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    # 图片二值化，此处第二个参数为数字一
    image = image.point(table, '1')
    #取消注释后可以看到处理后的图片效果
    #image.show()
    return image

def captcha_tesserocr_crack(image):
    """
    图像识别
    :param image: 二值化处理后的图片文件
    :return: 识别结果
    """
    result = tesserocr.image_to_text(image)
    return result

if __name__ == '__main__':
    image_download()
    image = get_image()
    img1 = image_grayscale_deal(image)
    img2 = image_thresholding_method(img1)
    print(captcha_tesserocr_crack(img2))