如何用python实现简单的验证码识别功能

由于前些日子在做爬虫，期间遇到了各种反爬技术，比如cookies验证，验证码验证等等。cookies验证的话，没有加密还好说，加过密的cookies实在是搞不了，以楼主的技术只是勉强能知道对方是用什么加密算法，解密就更不用提了。对于验证码验证来说，网上确实有很多验证码识别的实现以及教程。楼主这里主要串一下这一段过程，遇到的比较恶心的问题，以及解决办法。那么废话不多说，进入正题。

楼主进行验证试验的网站正是楼主本市（曲阜市）自来水厂的网站，这个网站的验证码看上去比较简单，对于刚刚接触图像识别，尤其是起初的验证码识别的人来说，算是完美的入门实验网站了。它的验证码画风都是这个样纸滴~

嗯就是这样人眼识别没有任何难度的验证码，不像有些验证码人眼都看不出来，简直是丧心病狂。

不过就算是这样，在识别过程中也出了一些问题。我们先过一遍流程，再详细说明这些问题。

实验流程如下：

1、爬虫循环爬取验证码二十张到三十张，并以文件形式保存在本地。

2、通过格式工厂，将图片洗成tif或tiff格式。（只更改文件扩展名无效，这是格式编码的问题，必须用格式工厂去洗。）

3、通过jTessBoxEditor工具，生成图像集。

4、在生成的图像集路径下，使用cmd命令

tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

生成box文件，这也就是后面python进行图像识别的训练库。

5、在jTessBoxEditor下，打开图像集，审查匹配内容，并作人工修改。

主要流程如上，接下来对每一步进行详述。

1、爬虫爬取图片的实现比较简单，我们使用python就可以轻松实现。

import requests
import random
url = 'http://www.qfzls.com/onlinepay/Login.aspx?om=yssf'  # 地址格式定义
imgurl = 'http://www.qfzls.com/onlinepay/yz.aspx'
filename = ''
for j in range(1, 9):
   m = str(random.randrange(0, 10))
   filename = filename + m
filename = 'D:\\image\\'+filename+'.bmp'  # 存成bmp格式
file = open(filename, 'ab')
r = requests.get(imgurl)
file.write(r.content)
file.close()

此处注意，此处一定要存成bmp格式。如果存成jpg格式，图片会变脏而难以识别。这也是起初楼主的识别率一直上不去的主要原因。

当然，楼主还对图片进行了一些处理，以提高识别率。代码如下：

from PIL import Image
from PIL import ImageEnhance
image = Image.open(filename)  # filename为验证码的路径加文件名，若是放在项目里可以直接使用文件名调用
enh_bri = ImageEnhance.Brightness(image)  # 亮度增强
brightness = 1.5
image = enh_bri.enhance(brightness)

enh_col = ImageEnhance.Color(image)  # 色度增强
color = 1.5
image = enh_col.enhance(color)

enh_con = ImageEnhance.Contrast(image)  # 对比度增强
contrast = 1.5
image = enh_con.enhance(contrast)

enh_sha = ImageEnhance.Sharpness(image)  # 锐度增强
sharpness = 3.0
image = enh_sha.enhance(sharpness)

image.save(filename)
image.show()  #展示效果

此处需要安装一下pillow（PIL）包，使用pip工具即可。

最后，我们使用pytesseract来识别图像。

import pytesseract
print(pytesseract.image_to_string(image))

当然，这样做的识别率通常不到百分之五十。图像处理后不做训练的话，识别率大概有百分之八十。经过训练库训练后，识别率能达到九十五左右。最后，我考虑问题可能出在算法上，因为我发现图像笔画间隔有的地方只有一个像素。于是我们把图像像素扩充了一倍，识别率终于达到了百分之百。下面的操作都是如何利用Tesseract-OCR构造训练库。

2、因为使用jTessBoxEditor制作图像集，只支持tif或tiff格式，所以我们必须通过格式工厂洗一下图片格式。这一步就不多说了吧，基本操作。楼主使用的版本还是4.3.0稍微早点的版本，此处对软件版本没有要求。

洗完格式的图片放在一个单独的文件夹里，方便进行后续操作。

第3、4、5步的话，可以详细看一下大佬写的博客

Tesseract-OCR的简单使用与训练

链接地址：https://www.cnblogs.com/cnlian/p/5765871.html

这三步需要注意的问题在里面都说得非常详细。

最后的审查训练库内容需要人工去做，二三十张工作量不大，效果也很好。