验证码探究

如果你是一个数据挖掘爱好者,那么验证码是你避免不过去的一个天坑,和各种验证码斗争,必然是你成长的一条道路,接下来的几篇文章,我会尽量的找到各种验证码,并且去尝试解决掉它,中间有些技术甚至我都没有见过,来吧,一起Coding吧

数字+字母的验证码

我随便在百度图片搜索了一个验证码,如下

验证码

今天要做的是验证码识别中最简单的一种办法,采用pytesseract解决,它属于Python当中比较简单的OCR识别库


库的安装

使用pytesseract之前,你需要通过pip 安装一下对应的模块 ,需要两个

pytesseract库还有图像处理的pillow库了

pip install pytesseract 
pip install pillow

如果你安装了这两个库之后,编写一个识别代码,一般情况下会报下面这个错误

pytesseract.pytesseract.Tesseract
NotFoundError: tesseract is not installed or it's not in your path

这是由于你还缺少一部分内容

安装一个Tesseract-OCR软件。这个软件是由Google维护的开源的OCR软件。

下载地址 > github.com/tesseract-o…

中文包的下载地址 > github.com/tesseract-o…

选择你需要的版本进行下载即可

pillow库的基本操作

命令释义
open()打开一个图片  
from PIL import Image
im = Image.open("1.png")
im.show()
save()保存文件
convert()convert() 是图像实例对象的一个方法,接受一个 mode 参数,用以指定一种色彩模式,mode 的取值可以是如下几种:
· 1 (1-bit pixels, black and white, stored with one pixel per byte)  
· L (8-bit pixels, black and white)  
· P (8-bit pixels, mapped to any other mode using a colour palette)  
· RGB (3x8-bit pixels, true colour)  
· RGBA (4x8-bit pixels, true colour with transparency mask)  
· CMYK (4x8-bit pixels, colour separation)  
· YCbCr (3x8-bit pixels, colour video format)  
· I (32-bit signed integer pixels)  
· F (32-bit floating point pixels)

Filter

from PIL import Image, ImageFilter  
im = Image.open(‘1.png’)  # 高斯模糊  
im.filter(ImageFilter.GaussianBlur)  # 普通模糊  
im.filter(ImageFilter.BLUR)  # 边缘增强  
im.filter(ImageFilter.EDGE_ENHANCE)  # 找到边缘  
im.filter(ImageFilter.FIND_EDGES)  # 浮雕  
im.filter(ImageFilter.EMBOSS)  # 轮廓  
im.filter(ImageFilter.CONTOUR)  # 锐化  
im.filter(ImageFilter.SHARPEN)  # 平滑  
im.filter(ImageFilter.SMOOTH)  # 细节  
im.filter(ImageFilter.DETAIL)

Format

format属性定义了图像的格式,如果图像不是从文件打开的,那么该属性值为None; size属性是一个tuple,表示图像的宽和高(单位为像素); mode属性为表示图像的模式,常用的模式为:L为灰度图,RGB为真彩色,CMYK为pre-press图像。如果文件不能打开,则抛出IOError异常。

这个地方可以参照一篇博客,写的不错 > www.cnblogs.com/mapu/p/8341…

验证码识别

注意安装完毕,如果还是报错,请找到模块 pytesseract.py 这个文件,对这个文件进行编辑

一般这个文件在 C:\Program Files\Python36\Lib\site-packages\pytesseract\pytesseract.py  位置

文件中 tesseract_cmd = 'tesseract' 改为自己的地址 
例如: tesseract_cmd = 'C:\Program Files (x86)\Tesseract-OCR\tesseract.exe'

如果报下面的BUG,请注意

Error opening data file \Program Files (x86)\Tesseract-OCR\tessdata/chi_sim.traineddata Please make sure the TESSDATA_PREFIX environment variable

解决办法也比较容易,按照它的提示,表示缺失了 TESSDATA_PREFIX 这个环境变量。你只需要在系统环境变量中添加一条即可

将 TESSDATA_PREFIX=C:\Program Files (x86)\Tesseract-OCR 添加环境变量

重启IDE或者重新CMD,然后继续运行代码,这个地方注意需要用管理员运行你的py脚本

步骤分为

  1. 打开图片 Image.open()

  2. pytesseract识别图片

import pytesseract from PIL 
import Image def main():     
image = Image.open("1.jpg")      
 text = pytesseract.image_to_string(image,lang="chi_sim")     
 print(text) if __name__ == '__main__':     
 main()

测试英文,数字什么的基本没有问题,中文简直惨不忍睹。空白比较大的可以识别出来。唉~不好用 当然刚才那个7364 十分轻松的就识别出来了。

带干扰的验证码识别

接下来识别如下的验证码,我们首先依旧先尝试一下。运行代码发现没有任何显示。接下来需要对这个图片进行处理

基本原理都是完全一样的


  1. 彩色转灰度

  2. 灰度转二值

  3. 二值图像识别

彩色转灰度

im = im.convert('L')

灰度转二值,解决方案比较成套路,采用阈值分割法,threshold为分割点

def initTable(threshold=140):     
table = []     
for i in range(256):         
if i < threshold:             
table.append(0)         
else:             
table.append(1)     
return table

调用

binaryImage = im.point(initTable(), '1') 
binaryImage.show()

调整之后

python验证码我们还需要对干扰线进行处理。在往下研究去,是图片深入处理的任务,对付小网站的简单验证码,这个办法足够了,本篇博文OVER,下一篇我们继续研究验证码。

🙏感谢作者

作者:梦想橡皮擦
链接:https://juejin.im/post/5ca2a76df265da30dc7ac64d
来源:掘金