验证码识别OCR技术

在开发爬虫时，会遇到验证码识别，在网站中加入验证码的目的是加强用户安全性和提高反爬虫机制。
验证码类型：字符验证码，图片验证码，gif动图验证码，极验验证码（拖动滑块完成拼图），手机验证码，视频验证码等。
识别验证码的三种方案：
1，人工识别，但这过分依赖人为控制，难以实现批量爬取
2，python调用OCR引擎识别验证码。但正常情况下，OCR准确率低，需要机器学习不断提高OCR准确率，开发成本相对较高。
3，调用API使用第三方平台识别验证码，但每次需要支付一定费用。

下面将介绍OCR技术
OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；即，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。如何除错或利用辅助信息提高识别正确率，是OCR最重要的课题。

在python中，支持OCR的模块有pytesser3和pyocr，通过模块调用OCR引擎识别图片，OCR引擎再将识别结果返回到程序中。
安装方法：

pip install pyocr
pip install Pillow   处理图片的模块

OCR引擎安装：
图像识别主要是OCR引擎完成，pyocr只起到一个调用引擎的作用。
安装教程
如果不是做英文的图文识别，还需要下载其他语言的识别包

代码如下：

from PIL import Image
from pyocr import tesseract
#使用PIL打开图片
im = Image.open("fig5.PNG")
code = tesseract.image_to_string(im,lang = "chi_sim")
print(code)

识别结果为：

fig5.PNG如下图：

识别结果为：

以下两张图片识别不出来

在实际使用中，验证码可能带有颜色的背景，，这时可以对图片进行简单的处理，去掉干扰因素，

im = im.convert(“L”) #图片转换为灰度图像，形成黑->灰->白 的过渡，如图黑色照片