前言

相信大家利用 Python 寫的爬蟲應(yīng)該遇到過要輸入驗(yàn)證碼的尷尬局面斩个，又或者寫了個自動填充表單的小程序胯杭，結(jié)果就卡在了驗(yàn)證碼上。由于我也遇上過上述兩種情況受啥，所以我在網(wǎng)上查閱資料后做个，打算將我查閱到的結(jié)果整理一下放在這里鸽心，順便做一個備份。

工具

1. Python pytesseract 庫

pytesseract 是對 Tesseract-OCR 的一個封裝居暖，方便我們在 Python 中調(diào)用 Tesseract-OCR 引擎

Pypi Page

2. Tesseract-OCR 開源識別引擎

Tesseract was originally developed at Hewlett-Packard Laboratories Bristol and at Hewlett-Packard Co, Greeley Colorado between 1985 and 1994, with some more changes made in 1996 to port to Windows, and some C++izing in 1998.

In 2005 Tesseract was open sourced by HP. Since 2006 it is developed by Google.

Github Page

3. Python PIL(2.*)/Pillow(3.*) 庫

這兩個庫是 Python 關(guān)于圖像處理的第三方庫顽频，其中 3.* 的版本要用 Pillow 庫

安裝

1. Tesseract-OCR

   • 源碼編譯：可參照官方Wiki
   • windows：安裝包可以在 Sourceforge 上下載，不過只有 3.02 版本的安裝包
   • Linux：以 Ubuntu 為例太闺，在終端輸入sudo apt-get tesseract-ocr即可進(jìn)行安裝
   • Mac：
     • MacPorts sudo port install tesseract
     • Homebrew brew install tesseract

   ** P.S.**

   在windows上安裝時糯景，在 Target appended to the Path 這一步耗時較久，請耐心等候省骂。

   安裝完成后莺奸，在命令行界面輸入 tesseract 會出現(xiàn)以下提示：

   Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
   
   pagesegmode values are:
   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.
   -l lang and/or -psm pagesegmode must occur before anyconfigfile.
   
   Single options:
     -v --version: version info
     --list-langs: list available languages for tesseract engine
   

則說明引擎安裝成功。

2. virtualenv
   為了將 Python 主環(huán)境隔離開來冀宴，不影響第三方庫之間的兼容性灭贷，我們可以利用 virtualenv 來搭建虛擬且獨(dú)立的python環(huán)境，可以使每個項目環(huán)境與其他項目獨(dú)立開來略贮，保持環(huán)境的干凈甚疟，解決包沖突問題。

   可以通過 pip 和 easy_install 進(jìn)行安裝：

   easy_install virtualenv
   或
   pip install virtualenv
   

   詳細(xì)可參照使用virtualenv搭建獨(dú)立的Python環(huán)境

3. PIL, Pillow, pytesseract
   這三個庫都可以通過 pip 直接安裝逃延。

編程

1. 首先政冻，打開命令行或者終端万哪，輸入以下命令：

virtualenv venv --no-site-packages --python=X:\xxx\python.exe

各參數(shù)解釋：

• venv 虛擬環(huán)境所在位置
• --no-site-packages 不復(fù)制主環(huán)境的庫
• --python 指定虛擬環(huán)境的 python 版本

然后在命令行輸入以下命令，激活虛擬環(huán)境

• Linux

cd venv
source ./bin/activate

• Windows

cd venv
.\Scripts\activate

如果要退出虛擬環(huán)境的話則輸入

deactivate
或
.\Scripts\deactivate

2. 安裝依賴包
   在當(dāng)前虛擬環(huán)境中輸入

pip install PIL
pip install Pillow
pip install pytesseract

安裝完成后進(jìn)入python，import一下看是否安裝成功拉队。

3. 圖片處理

• step1. 打開圖片

  Captcha.jpg

  from PIL import Image
  im = Image.open('Captcha.jpg')
  

• step2. 將彩色圖像轉(zhuǎn)化為灰度圖

  im = im.convert('L')
  

  轉(zhuǎn)化為灰度圖是為了減少圖片的色彩备闲，處理起來更方便

• step3. 降噪蝇棉，圖片二值化

  為了消除背景對文字的影響喜最，可以通過設(shè)置一個閾值來將文字與背景分隔開來。而閾值可以參考圖片灰度的直方圖來得出料按，又或者試出來奄侠。

  這里將閾值設(shè)置為 140，然后將大于閾值的像素置 1载矿，小于閾值的置 0垄潮。

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

  再使用 im.point() 可以將灰度圖二值化，結(jié)果如下：

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

  Captcha1.jpg

4. 識別文本

可以通過 pytesseract 的 image_to_string() 函數(shù)將圖片轉(zhuǎn)化為文本闷盔，該函數(shù)還可以接受參數(shù) config弯洗，config 設(shè)置的是 Tesseract-OCR 引擎的參數(shù)，可自行查閱引擎的幫助文本逢勾。不過我們只需要用到 psm 參數(shù)牡整，具體的 psm 參數(shù)值如下：

-psm N
    Set Tesseract to only run a subset of layout analysis and assume a certain form of image. The options for N are:

    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.

識別圖片的代碼如下：

print(image_to_string(binaryImage, config='-psm 7')

識別結(jié)果為

7226

5. 誤差修正

經(jīng)過測試發(fā)現(xiàn)，Tesseract-OCR 對于純數(shù)字的驗(yàn)證碼識別有一定誤差敏沉，因?yàn)樵撘孀R別的是英文文本果正，所以會將數(shù)字識別為字母。這時候就需要建立一個替換表盟迟，將識別錯誤的字母替換為數(shù)字秋泳，提高識別正確率。

參考鏈接

使用python以及工具包進(jìn)行簡單的驗(yàn)證碼識別