【验证码识别】使用pytesseract识别数字验证码

---

前言

验证码是最简单有效防止恶意登录的方法，但是验证码对于我们自动化控制又带来了挑战，对于验证码的识别除了调用网上的OCR API，有没有一个不花钱的方法？

有，本文就来介绍一下，我们如何在本地进行验证码的识别，尤其是数字验证码的识别。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、pytesseract是什么？

pytesseract是Google做的OCR库，可以识别图片中的文字。pytesseract需要安装并配置好Tesseract OCR引擎才能正常工作。如果没有安装，可以参考官方文档进行安装和配置：https://github.com/tesseract-ocr/tesseract。或者参考其它博主的文章：
pytesseract安装和基本使用_吨吨不打野的博客-CSDN博客 https://blog.csdn.net/Castlehe/article/details/118751833

二、基本应用

import pytesseract
from PIL import Image

# 读取验证码图片
image = Image.open('captcha.png')

# 将图片转为灰度图像
image = image.convert('L')

# 对图像进行二值化处理
threshold = 127
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
image = image.point(table, '1')

# 使用pytesseract进行识别
code = pytesseract.image_to_string(image)

print(code)

在以上示例中，我们首先使用PIL库打开验证码图片，然后将其转换为灰度图像，并进行二值化处理。然后，我们再使用pytesseract库对图像进行识别，并将结果打印出来。

能做到这步，说明pytesseract环境已配置OK，并且已经就别基本的识别功能，但要准确的识别数字验证码。建议您往下看。

三、进阶应用（指定识别字符白名单提高识别正确率）

import pytesseract

def captcha_recognize(img_path):
    # --psm 7 单行识别 , --oem 3 使用 LSTM OCR 引擎 , -c tessedit_char_whitelist=0123456789 只识别数字字符，也可以设置英文字母哦。
    num = pytesseract.image_to_string(img_path,lang='eng', \
            config='--psm 7 --oem 3 -c tessedit_char_whitelist=0123456789')
    return num

if __name__ == '__main__':
    # 测试
    num  = captcha_recognize(r'C:\yzm.png')
    print(num)

注：tesseract提供了OCR引擎模式。有如下四种：

• 0 = 仅限原始Tesseract
• 1 = 只有神经网络LSTM
• 2 = Tesseract LSTM
• 3 = 基于可用的默认值
  目前LSTM是无法支持白名单的

注：如下设置可聚焦识别数字和大小写字母：tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ

---

总结

本文的目的，旨在高效的识别数字验证码，当然pytesseract还有更多用途，感兴趣的朋友可以试试。

---

备注

在调用 tessarct 时，我们需要提供许多标志。三个最重要的是 -l 、 --oem 和 --psm 。

• -l 参数控制输入文本的语言。我们将在此示例中使用 eng（英语），但您可以在此处查看 Tesseract 支持的所有语言：tesseract --list-langs

• –oem 参数或 OCR 引擎模式控制 Tesseract 使用的算法类型。 您可以通过执行以下命令查看可用的 OCR 引擎模式：tesseract --help-oem

OCR Engine modes:
  0    Legacy engine only.
  1    Neural nets LSTM engine only.
  2    Legacy + LSTM engines.
  3    Default, based on what is available.

我们将使用 --oem 1 表示我们希望仅使用深度学习 LSTM 引擎。

• –psm 参数控制 Tesseract 使用的自动页面分割模式：tesseract --help-psm

Page segmentation modes:
  0    Orientation and script detection (OSD) only.
  1    Automatic page segmentation with OSD.
  2    Automatic page segmentation, but no OSD, or OCR.
  3    Fully automatic page segmentation, but no OSD. (Default)
  4    Assume a single column of text of variable sizes.
  5    Assume a single uniform block of vertically aligned text.
  6    Assume a single uniform block of text.
  7    Treat the image as a single text line.
  8    Treat the image as a single word.
  9    Treat the image as a single word in a circle.
 10    Treat the image as a single character.
 11    Sparse text. Find as much text as possible in no particular order.
 12    Sparse text with OSD.
 13    Raw line. Treat the image as a single text line,
       bypassing hacks that are Tesseract-specific.

对于 OCR 文本，模式 6 和 7 运行良好，但如果需要 OCR 处理大块文本，可尝试 3，默认模式。 每当您发现自己获得不正确的 OCR 结果时，强烈建议您调整 --psm，因为它会对您的输出 OCR 结果产生巨大影响。