selenium + tesseract + PIL识别验证码

前期准备

tesseract-OCR下载、配置及基本使用

• 下载tesseract-OCR

下载地址：
	下载源：https://digi.bib.uni-mannheim.de/tesseract/
	根据自身硬件情况下载对应版本即可

• 配置环境变量

1.将安装包直接一路安装
2.打开 计算机-->右键-->高级系统设置-->环境变量 
	在 系统变量-Path中添加tesseract的安装路径
	新建系统变量
		变量名：TESSDATA_PREFIX
		值：D:\Tesseract-OCR\tessdata
		
验证是否配置成功，可使用cmd命令，如下结果即为成功

C:\XXX\XXX>tesseract --version
tesseract v5.0.0.20190623
 leptonica-1.78.0
  libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.5.3) : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.3.0
 Found AVX2
 Found AVX
 Found SSE	 

• tesseract的基本使用

1.打开cmd命令窗口
2.验证码提取的输入格式：tesseract 图片路径 输出文件(是个TXT文件)
	例：tesseract D:\待使用图片路径\image.png D:\待输出文件路径\result.txt
	注：图片格式支持JPG、png，其他格式没试过，不清楚

• tesseract其他资料

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

# 官方语言包下载地址，根据安装的版本选择对应的语言包
https://tesseract-ocr.github.io/tessdoc/Data-Files
# 下载完成后，直接放到安装位置的tessdata文件夹下即可

Python安装pytesseract

• 本人使用的pycharm，以pycharm为例
  • File–>Settings for New Projects–>Project Interpreter–>右上角"+"
  • 在弹出的搜索框中搜索pytesseract，搜索出结果后可点击下方install package进行安装，默认安装最高版本，可通过选中Specify version后进行历史版本选择
    
    

开始操作

• 开始前准备工作–确认当前电脑系统的显示比例
  • 可通过 设置-显示 进行查看当前的显示比例
  • 分辨率是否有影响暂时不明
• 代码实现

from selenium import webdriver
from PIL import Image  # PIL：Python Imaging Library，Python图像处理标准库
import pytesseract  # tesseract-OCR：开源识别框架
import time

if __name__ == '__main__':
    driver = webdriver.Chrome()  # 加载浏览器驱动
    driver.maximize_window()  # 设置浏览器窗口为全屏
    driver.get(url)  # 网址
	time.sleep(3)
	driver.save_screenshot('D:\\Study\\img\\printscreen.png')  # 全屏截图及存放路径
    imgelement = driver.find_element_by_xpath('xpath')  # 定位元素位置
    location = imgelement.location  # 获取验证码x，y坐标
    size = imgelement.size  # 获取验证码高宽
    # 计算验证码的上下左右位置，此处需要确认下电脑显示的缩放比例，即开始前准备工作中所查信息
    # 若未乘以相对显示比例系数，则默认为*1.00，代码与实际比例不相对时，其定位结果会不准确
	left = location['x']*1.25  # 计算左边界
	top = location['y']*1.25   # 计算上边界
	right = (location['x'] + size['width'])*1.25     # 计算右边界
	botom = (location['y'] + size['height'])*1.25    # 计算下边界
	# 将上下左右边界值放到元祖中（注意顺序：左 上 右  下）
	local = (left, top, right, botom)
	
	i = Image.open("D:\\Study\\img\\printscreen.png")  # 打开截图
    result = i.crop(local)  # 使用Image的crop函数，从截图中再次截取我们需要的区域
    result = result.convert('RGB')
    result.save('D:\\Study\\img\\save.jpg')  # 保存我们接下来的验证码图片 进行打码

    text = pytesseract.image_to_string(Image.open('D:\\Study\\img\\save.jpg'))
    print(text)  # 此处即以文本形式打印出识别后的验证码
    
	driver.find_element_by_xpath('xpath').send_keys(text)  # 输入验证码
	# 注意事项
	# tesseract识别出来的字符串可能需要截取一下才能用
	# 识别精准率还不错，即使失败，多尝试几次即可
	# 我所截取的为简易的 字母 + 数字 验证码
	# 若要识别含有中文的验证码，需要下载相应的语言包

• 参考文章及资料
  http://www.manongjc.com/detail/6-qexgtqevkuctzzh.html
  https://blog.csdn.net/qq_42278240/article/details/90573652
  感谢！