4.3-python爬虫之图形验证码识别

系列文章目录

python爬虫目录

---

---

前言

摘录自B站对应课程笔记
不愧是清华大佬！把Python网络爬虫讲得如此简单明了！从入门到精通保姆级教程（建议收藏）

以下是本篇文章正文内容，下面案例可供参考

---

一、图形验证码识别技术

阻碍我们爬虫的。有时候正是在登录或者请求一些数据时候的图形验证码。因此这里我们讲解一种能将图片翻译成文字的技术。将图片翻译成文字一般被成为光学文字识别（Optical Character Recognition），简写为OCR。实现OCR的库不是很多，特别是开源的。因为这块存在一定的技术壁垒（需要大量的数据、算法、机器学习、深度学习知识等），并且如果做好了具有很高的商业价值。因此开源的比较少。这里介绍一个比较优秀的图像识别开源库：Tesseract。

Tesseract：
Tesseract是一个OCR库，目前由谷歌赞助。Tesseract是目前公认最优秀、最准确的开源OCR库。Tesseract具有很高的识别度，也具有很高的灵活性，他可以通过训练识别任何字体。

二、安装

1、Linux系统

可以在以下链接下载源码自行编译。
https://github.com/tesseract-ocr/tesseract/wiki/Compiling
或者在ubuntu下通过以下命令进行安装：

sudo apt install tesseract-ocr

2、Mac系统

#用Homebrew即可方便安装：
brew install tesseract

3、Windows系统

在以下链接下载可执行文件，然后一顿点击下一步安装即可（放在不需要权限的纯英文路径下）：
https://github.com/tesseract-ocr/ 或 https://github.com/UB-Mannheim/tesseract/wiki

安装时可以将语言包选上（比如不选择的话，默认的只能解析英文）

设置环境变量

安装完成后，如果想要在命令行中使用Tesseract，那么应该设置环境变量。Mac和Linux在安装的时候就默认已经设置好了。在Windows下把tesseract.exe所在的路径添加到PATH环境变量中。

还有一个环境变量需要设置的是，要把训练的数据文件路径也放到环境变量中。
在环境变量中，添加一个TESSDATA_PREFIX=C:\path_to_tesseractdata\teseractdata。

输入命令tesseract --list-langs 可以支持的语言

输入命令 tesseract b.png b -l chi_sim ：使用中文识别 b.png 图片，保存到 b.txt 文件中

三、在命令行中使用tesseract识别图像

如果想要在cmd下能够使用tesseract命令，那么需要把tesseract.exe所在的目录放到PATH环境变量中。然后使用命令：tesseract 图片路径 文件路径。

tesseract a.png a

那么就会识别出a.png中的图片，并且把文字写入到a.txt中。如果不想写入文件直接想显示在终端，那么不要加文件名就可以了。

四、在代码中使用tesseract识别图像

在Python代码中操作tesseract。需要安装一个库，叫做pytesseract。通过pip的方式即可安装：

pip install pytesseract

并且，需要读取图片，需要借助一个第三方库叫做PIL。通过pip list看下是否安装。如果没有安装，通过pip的方式安装：

pip install PIL

注意：高版本中PIL库包含在Pillow库中，再次输入pip install Pillow

使用pytesseract将图片上的文字转换为文本文字的示例代码如下：

import pytesseract  # 导入pytesseract库
from PIL import Image  # 导入 Image 库
 
# 指定 tesseract.exe 所在路径
pytesseract.pytesseract.tesseract_cmd = r"D:\Tesseract-OCR\tesseract.exe"
 
image = Image.open("a.png")  # 打开英文图片
text = pytesseract.image_to_string(image=image)
print(text)
print(">>" * 10)
image = Image.open("b.png")  # 打开中文图片
text = pytesseract.image_to_string(image=image, lang='chi_sim')
print(text)

五、用pytesseract处理网站图形验证码

import pytesseract
from urllib import request
from PIL import Image
import time
 
# 指定 tesseract.exe 所在路径
pytesseract.pytesseract.tesseract_cmd = r"D:\Tesseract-OCR\tesseract.exe"
 
while True:
    filename = "captcha.png"
    captcha_url = "http://111.111.222.222/include/xxx.php?"
    request.urlretrieve(captcha_url, "captcha.png")
    image = Image.open(filename)
    text = pytesseract.image_to_string(image)
    print(text)
    time.sleep(2.5)
# 并不是所有都能识别出来