如圖卜壕，我們在使用python自動化的時候經(jīng)常會遇到很多各式各樣的驗證碼。這個是一個數(shù)字加法的驗證碼蛔六。
干擾項里包含完整的數(shù)字荆永、字母信息，普通的OCR識別可能不是很準確国章。
但是不管怎么樣具钥，咱們先把必要的環(huán)境搭建起來，試一下Tesseract的識別結(jié)果吧液兽。
很多人學習python骂删，不知道從何學起。
很多人學習python四啰，掌握了基本語法過后宁玫，不知道在哪里尋找案例上手。
很多已經(jīng)做案例的人柑晒，卻不知道如何去學習更加高深的知識欧瘪。
那么針對這三類人，我給大家提供一個好的學習平臺敦迄，免費領(lǐng)取視頻教程恋追，電子書籍，以及課程的源代碼罚屋！
QQ群：701698587
歡迎加入苦囱，一起討論 一起學習！
- 1脾猛、安裝Tesseract：
首先需要下載Tesseract的安裝包 官方網(wǎng)址：
https://digi.bib.uni-mannheim.de/tesseract/撕彤，網(wǎng)上的教程很多推薦安裝名稱里不帶dev的正式版，據(jù)說更穩(wěn)定
- 配置Tesseract：
安裝完畢之后需要配置一下環(huán)境變量猛拴，分為兩步：
1羹铅、在path里加入安裝路徑，及安裝路徑內(nèi)的tessdata文件夾路徑愉昆。
2职员、新建系統(tǒng)變量{TESSDATA_PREFIX：E:\Program Files (x86)\Tesseract-OCR\tessdata} 這里變量名是固定的TESSDATA_PREFIX，值是剛剛提到的安裝路徑內(nèi)下一級tessdata文件夾的完整路徑
[圖片上傳失敗...(image-8ec71a-1631336567614)]
然后命令行里 安裝pytesseract：
pip install pytesseract
完成以上步驟之后跛溉，請重新啟動電腦焊切。
- 圖片無法處理識別：
直接調(diào)用ocr識別出結(jié)果的話，只需要3行代碼：
import pytesseract
text = pytesseract.image_to_string('圖片路徑或者內(nèi)存的圖片對象')
print(text)
但是對于這個驗證碼的效果不是非常好芳室，比如：
要么是沒有結(jié)果专肪，要么就是一堆亂七八糟的東西。
這樣肯定是用不了的
那么只能先處理一下圖片了
- 圖片處理識別：
我下載了20張這個網(wǎng)站的二維碼堪侯，發(fā)現(xiàn)了以下規(guī)律：
1嚎尤、驗證碼內(nèi)容一定包含“ = 2位數(shù)字+2位數(shù)字”的
2、驗證碼內(nèi)容的顏色是隨機的伍宦。
3芽死、驗證碼內(nèi)容的位置應(yīng)該是固定的（20張圖片的加號都在同一位置）
4乏梁、驗證碼圖片的干擾內(nèi)容包含字母、數(shù)字收奔、符號
5掌呜、驗證碼圖片的干擾內(nèi)容顏色沒有跟主要內(nèi)容一模一樣滓玖，但是每張圖的干擾項一定包含主要內(nèi)容顏色相近的部分坪哄。
可以看到，根據(jù)字體的不同势篡，顯示的時候翩肌，主干是棕色的，但是構(gòu)成這個字的邊緣顏色是稍微淡一些的禁悠。不過20張圖里都沒有發(fā)現(xiàn)有干擾項的顏色跟主要內(nèi)容顏色一模一樣念祭。
所以我的想法是因為存在主干的近似色，所以主要的濾波手段可能導(dǎo)致把圖片變得更難處理的可能性碍侦，所以不如直接獲取主干顏色粱坤，其他像素不是主干顏色的全部以白色替代，刪除干擾項之后再進行識別瓷产。
主干顏色可以使用固定的加號的正中間那一點的坐標獲取站玄。（80，23）（80濒旦，24）
[圖片上傳失敗...(image-7a4a97-1631336567614)]
Python代碼如下：
# -*- coding: utf-8 -*-
"""
Created on Wed Apr 14 16:23:47 2021
@author: roshinntou
"""
from PIL import Image
import pytesseract
def images_to_string(index):
#導(dǎo)入圖片株旷，抓取的時候可以直接獲取io流
img1= Image.open('index ('+str(index)+').png')
#獲取圖片的長寬
w,h = img1.size
print('Original image size: %sx%s' % (w, h))
'''
因為是PNG圖片，像素不是直接以RGB保存的尔邓，PNG的每個像素里還有透明度
我們不需要處理透明度晾剖，tesseract對于白色和不透明的識別是一樣的，這里就轉(zhuǎn)成RGB
如果圖片是jpg的梯嗽，可以直接使用齿尽，不需要 convert
'''
img1rbg = img1.convert('RGB')
#讀取全部的像素數(shù)據(jù)
src_strlist = img1rbg.load()
#獲取主干顏色
data = src_strlist[80,23]
print(data)
#雙層循環(huán)開始替換全部的像素點顏色
for x in range(0,w):
for y in range(0,h):
#判斷當前點顏色是否等于主干顏色
co = src_strlist[x,y]
if co !=data:
src_strlist[x,y] = (245, 245, 255)
#直接調(diào)用內(nèi)存里的PIL image對象進行圖片識別
text = pytesseract.image_to_string(img1rbg)
text = text.replace(" ","").replace("\r\n","").replace(" ","").replace("\r","").replace("\n","")
#打印結(jié)果
print(text)
#保存圖片
img1rbg.save(text+'.png')
if __name__ == '__main__':
for i in range(1,21):
images_to_string(i)
文件如下：
結(jié)語：
準確率我大概看了一下，應(yīng)該是100%的灯节。以上算是成功破解了對方網(wǎng)站的驗證碼循头。
驗證碼的識別整體思路應(yīng)該就是這樣子了，當然我舉得例子是比較簡單的驗證碼显晶。還有各種麻煩的驗證碼贷岸，未來可能需要用到截取、卷積磷雇、濾波偿警、清洗等等方法，需要根據(jù)實際的情況靈活地使用唯笙，但是整體的思路就是： 找到驗證碼規(guī)律螟蒸，根據(jù)規(guī)律清洗干擾噪點盒使，然后識別。希望可以啟發(fā)到大家七嫌。
最后的最后少办，現(xiàn)在已經(jīng)可以獲取驗證碼的字符串了，計算結(jié)果非常簡單我就不做了诵原。有興趣的可以試試英妓，我會把所有圖片、源代碼打包绍赛，大家可以下載試一下蔓纠。 Tesseract安裝的時候，系統(tǒng)變量哪里2步都不能少吗蚌，少一個程序執(zhí)行就會報錯腿倚，切記
