破解验证码(1) 数字英文验证码

前言

做爬虫时，难免会遇到需要通过验证码才能访问网址进行爬取内容，所以需要额外掌握破解验证码的技巧才行。
本文将讲解一个简单的验证码示例来进行演示（由数字或英文组成的验证码）

安装环境

• pip install Pillow
• pip install tesserocr

• 如果用 pip install tesserocr 安装 tesserocr模块失败出现报错，那么换作安装该模块对应的 “whl文件” ，下载地址：https://github.com/simonflueckiger/tesserocr-windows_build/releases （根据tesseract-ocr(客户端) 的版本下载对应的文件）
• 安装命令如下：pip install xxx.whl (后面跟上所下载的whl文件路径)

• tesseract-ocr(客户端) 版本下载地址：
  https://digi.bib.uni-mannheim.de/tesseract/【本教程用的版本是4.0.0】
• tesseract-ocr 各版本语言包下载地址：
  https://tesseract-ocr.github.io/tessdoc/Data-Files【注意：根据版本下载对应字库】

修改环境变量

安装完 tesseract-ocr(客户端) 后，到计算机环境变量中添加该软件所在的文件夹，例如：
① “ F:\Tesseract-OCR ” 为该软件的所在文件夹位置

②增加一个 TESSDATA_PREFIX 变量名，变量值还是刚刚的安装路径 “F:\Tesseract-OCR\tessdata” 这是将语言字库文件夹添加到变量中

实例

解析如下图的验证码：

步骤：
》另存图片
》借助图片处理工具PIL模块，进行图片处理（灰度图片）
》设置阈值，默认阈值为127（根据情况而改）
》借助图片处理工具PIL模块，进行图片处理（二值化处理）
》再用tesserocr模块进行解析

代码如下：

from PIL import Image
import tesserocr

image = Image.open("1.png")
image = image.convert("L")      # 转化为灰度图片
threshold = 130     # 设置阈值

my = []
for i in range(256):
    if i < threshold:
        my.append(0)
    else:
        my.append(1)

image = image.point(my, "1")    # 二值化处理
# image.show()  #可以打印出图片，供预览
result = tesserocr.image_to_text(image)
print(result)

解析：
》使用灰度图片，设置阈值，进行二值化处理，最终显示的图片效果如下：

定义：图像的二值化，就是将图像上的像素点的灰度值设置为 0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果 [用0和1表示，0为白，1为黑]。

一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群 和 小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化（Binarization）。