基于Tesseract-OCR识别简单验证码
Tesseract-OCR是谷歌的开源OCR库。使用Tesseract-OCR识别验证码的优点如下：
1、与调用网络API相比，本地调用速度更快；
2、对于识别简单的验证码，Tesseract-OCR显得更加简单高效。
缺点也是十分明显的，如下：
1、只调用Tesseract-OCR识别效果差，需要使用jTextBoxEditor进行人工手动训练数据，过程十分繁琐；
2、对于复杂验证码，比如存在字符粘连、字符扭曲等情况。Tesseract-OCR识别效果较差。
以Python+Tesseract-OCR识别验证码为例，介绍使用过程：
（1）获取安装Tesseract-OCR、Python及相应库。
（2）通过Python网络爬虫，获取大量验证码图片。
# 得到一定数目的验证码， 并保存到本地
def get_pic(num):
url = 'http://yktapp.hebut.edu.cn:8088/Phone/GetValidateCode'
for i in range(num):
r = requests.get(url)
r.raise_for_status()
path = 'jpg/' + str(i) + '.jpg'
with open(path, 'wb') as f:
f.write(r.content)（3）预处理。基于像素统计的方法，分析干扰点的像素值，来设置阈值，实现降噪的目的。
# 得到二值化图像
def get_image_binary(file_path):
# 阈值
threshold = 190
# 二值化辅助数组
table = [0] * threshold + [1] * (256 - threshold)
# 转灰度图
img_grey = Image.open(file_path).convert('L')
# 二值化
return img_grey.point(table, '1')
（4）通过jTextBoxEditor训练样本文件。
1、在jTextBoxEditor中，点击Merge TIFF按钮，生成TIFF文件。如下图：
图1 生成TIFF文件
2、使用如下命令，生成Box文件
tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox3、对于样本图片，使用jTextBoxEditor进行校正。
图2 jTextBoxEditor编辑信息
4、生成font_properties文件。内容如下：
font 0 0 0 0 0
5、使用如下命令生成字符集文件、shape文件、聚集字符特征文件、正常化特征文件等等，并合并生成训练结果。
tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox
echo Run Tesseract for Training..
tesseract.exe num.font.exp0.tif num.font.exp0 -psm 7 nobatch box.train
echo Compute the Character Set..
unicharset_extractor.exe num.font.exp0.box
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr
echo Clustering..
cntraining.exe num.font.exp0.tr
echo Rename Files..
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable
echo Create Tessdata..
combine_tessdata.exe num.
echo. & pause6、将生成data文件拷贝到tesseract-OCR安装目录下的tessdata文件夹内。
（5）调用Tesseract-OCR识别验证码。如下：
def get_yzm(img):
yzm = pytesseract.image_to_string(img, lang='num', config='-psm 7')
yzm = yzm.replace(' ', '')
return yzm
参考文献
[1] 张柯. Python使用tesseract-ocr完成验证码识别（模型训练和使用部分）. https://www.cnblogs.com/zhang-ke/p/7606572.html