我自己的理解

有可能繞過認(rèn)證碼盡量選擇繞過去，請(qǐng)多嘗試乘综，繞過去爬取效率高不少憎账；

先不考慮那些一天一套認(rèn)證碼的網(wǎng)站，百度“Python 認(rèn)證碼識(shí)別”卡辰，搜索得到的結(jié)果一般都是tersserocr胞皱、pytesser這幾個(gè)邪意；簡(jiǎn)單的說就是在你電腦上安裝tesseract-ocr；然后使用Python中的subprocess.Popen執(zhí)行對(duì)應(yīng)的語(yǔ)句反砌，捕捉終端雾鬼、文件中顯示的結(jié)果；所以不局限于語(yǔ)言宴树；

強(qiáng)烈建議用cnn等策菜，比較明確算法，準(zhǔn)確率也高酒贬；現(xiàn)在的tf要不錯(cuò)比較好用又憨；teaseract識(shí)別規(guī)范的還好，cnn看有時(shí)間再寫吧锭吨；

簡(jiǎn)要步驟：

1蠢莺、安裝tesseract-ocr：

2、安裝pytesser耐齐；

3浪秘、訓(xùn)練tesseract蒋情；

4埠况、使用

詳細(xì)的步驟：

##1、安裝tesseract-ocr：

window

直接網(wǎng)上搜索就有了棵癣，exe很方便辕翰，也可以使用包；

Linux

我的虛擬機(jī)是archlinux狈谊，pacman -S tesseract-ocr喜命；

如果是ubuntu，請(qǐng)安裝下面的一堆東西（這個(gè)我沒有認(rèn)證河劝。壁榕。。）：

sudo apt-get install autoconf automake libtool

sudo apt-get install libpng12-dev

sudo apt-get install libjpeg62-dev

sudo apt-get install libtiff4-dev

sudo apt-get install zlib1g-dev

sudo apt-get install libleptonica # install leptonica

sudo apt-get install gcc

sudo apt-get install g++

sudo apt-get install automake

tar zxvf tesseract-3.00.tar.gz

cd tesseract-3.00 && ./configure && make && sudo make install

總的來說赎瞎，缺什么補(bǔ)什么

##2牌里、安裝pytesser；

pytersser的做法是务甥，你輸入圖片之后牡辽，使用tersseract識(shí)別得到一個(gè)文件，這個(gè)文件名被固定了敞临，再去讀取文件得到識(shí)別結(jié)果态辛；所以對(duì)于多線程需自己動(dòng)手修改下；Python要使用pytesser得安依賴包PIL挺尿；

優(yōu)先使用Python的pip安裝奏黑，若出現(xiàn)問題則挽起袖子手動(dòng)安裝（這折騰也是無奈炊邦，只是自己手賤不知道動(dòng)了py哪里，安裝的時(shí)候出現(xiàn)ssl問題攀涵。铣耘。。）以故；

window：

如果你的機(jī)器是32位蜗细，恭喜，網(wǎng)上一堆32位系統(tǒng)的安裝包怒详；

64位系統(tǒng)的請(qǐng)到這里下載炉媒，都是編譯好的：http://www.lfd.uci.edu/~gohlke/pythonlibs/

Linux：

默認(rèn)安裝路勁：/usr/local/lib 安裝libjpeg：

$ tar zxvf jpegsrc.v7.tar.gz

$ cd jpeg-7

$ ./configure --enable-shared --enable-static

$ make

$ sudo make install

安裝zlib：

$ tar zxvf zlib-1.2.8.tar.gz

$ cd zlib-1.2.8

$ ./configure

$ make

$ sudo make install

安裝freetype

$ tar zxf freetype-2.6.1.tar.gz

$ cd freetype-2.6.1

$ ./configure

$ make

$ sudo make install

安裝PIL unzip Imaging-1.1.7.zip cd Imaging-1.1.7 修改setup.py文件，修改配置文件路徑 JPEG_ROOT = "/usr/local/include" ZLIB_ROOT = "/usr/local/include" FREETYPE_ROOT = "/usr/local/include"

bash-3.2$ python setup.py build_ext -i

c)測(cè)試編譯： python selftest.py d)安裝： python setup.py install

安裝pytersser 方法很多：pip昆烁，github下載吊骤；

常見的錯(cuò)誤提示：

AttributeError: 'NoneType' object has no attribute 'bands'

修改nano /usr/lib/python2.7/site-packages/PIL/Image.py

1496 行添加：self.load()

def split(self):

? ? "Split image into bands"

? ? ?self.load()

? ? ?if self.im.bands == 1:

? ? ? ? ? ims = [self.copy()]

? ? else:

? ? ? ? ?ims = []

? ? ?self.load()

? ? ?for i in range(self.im.bands):

? ? ? ? ? ?ims.append(self._new(self.im.getband(i)))

? ? return tuple(ims)

OSError: [Errno 2] No such file or directory

原因可能很多：沒有安裝 tesseract-ocr；Python引用問題静尼；圖片不存在等白粉；

使用Image_to_string時(shí)出現(xiàn)的問題：

Traceback (most recent call last):

File "C:\Users\TF-2016\Desktop\spider\ruijie\ruijie.py", line 33, in

print image_file_to_string('11.png', graceful_errors=True)

File "C:\Python27\lib\site-packages\pytesser\pytesser.py", line 48, in image_file_to_string

call_tesseract(filename, scratch_text_name_root)

File "C:\Python27\lib\site-packages\pytesser\pytesser.py", line 23, in call_tesseract

proc = subprocess.Popen(args)

File "C:\Python27\lib\subprocess.py", line 710, in __init__

errread, errwrite)

File "C:\Python27\lib\subprocess.py", line 958, in _execute_child

startupinfo)

WindowsError: [Error 2]

將需要運(yùn)行的文件，直接放在pytesser的包下 或者

>>> import os

>>> os.chdir('C:\Python27\Lib\site-packages\pytesser')

3鼠渺、訓(xùn)練tesseract：

《Python網(wǎng)絡(luò)數(shù)據(jù)采集》中也有介紹鸭巴；這里是使用jTessBoxEditor完成的，一個(gè)現(xiàn)成的工具拦盹；

如果采用默認(rèn)的eng來識(shí)別認(rèn)證碼鹃祖，基本不靠譜，各種雜數(shù)據(jù)普舆；自己訓(xùn)練下數(shù)據(jù)好很多恬口；

安裝Tesseract-OCR之后就訓(xùn)練自己的識(shí)別庫(kù)：

1、創(chuàng)建diff：

jTessBoxEditor--tool---merge tiff--shift select more image

diff 文件命名格式：[lang].[fontname].exp[num].tif

exp：num.font.exp0.tif

2沼侣、創(chuàng)建好tiff之后創(chuàng)建.box

tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox

3祖能、文字矯正：

jTessBoxEditor--open--num.font.exp0.tif

簡(jiǎn)單描述一下： 打開tif之后默認(rèn)已經(jīng)進(jìn)行了一次識(shí)別，需要做的是調(diào)整識(shí)別結(jié)果蛾洛；可以調(diào)節(jié)識(shí)別框位置大小养铸、識(shí)別結(jié)果；調(diào)整完畢后記得回車或者點(diǎn)擊一下設(shè)置按鈕雅潭；

4揭厚、定義字體特征文件：

創(chuàng)建font_properties文件，文件內(nèi)容為：font 0 0 0 0 0

exp：font 0 0 0 0 0扶供；表示字體不是粗體筛圆、斜體

5、生成traineddata文件

樣本圖片路勁下執(zhí)行這些：也可以創(chuàng)建bat一次性執(zhí)行完

tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train

unicharset_extractor.exe num.font.exp0.box

mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr

cntraining.exe num.font.exp0.tr

rename normproto num.normproto

rename inttemp num.inttemp

rename pffmtable num.pffmtable

rename shapetable num.shapetable

combine_tessdata.exe num.

確認(rèn)打印結(jié)果中的Offset 1椿浓、3太援、4闽晦、5、13這些項(xiàng)不是-1就行了提岔。

6仙蛉、拷貝

最后將traineddata拷貝到：Tesseract-OCR--tessdata

7、測(cè)試

tesseract.exe pin.png result-eng -l eng

tesseract.exe pin.png result-num -l num

4碱蒙、使用

import pytesser

from PIL import Image

im = Image.open('./pin.png')

im.show()

print pytesser.image_to_string(im)

目前識(shí)別率還是不理想荠瘪，但已經(jīng)可以用來跑數(shù)據(jù)了~~（折騰的是微博（weibo.com）的認(rèn)證碼；如果是weibo.cn的認(rèn)證碼赛惩，我表示我自己輸入十幾次沒一次通過哀墓，囧），考慮試試卷積~~