python3使用tesserocr识别验证码

Dear 丶 2023-10-18 21:09 18阅读 0赞

1.  安装tesserocr  
    由于我使用的Python版本是python3.5，所以一下所有操作都是基于python3的，如果有python2的同学，可以找找其他教程~~
    
    首先需要下载tesseract，它为tesserocr提供底层支持。具体下载官方路径：[https://github.com/UB-Mannheim/tesseract/wiki][https_github.com_UB-Mannheim_tesseract_wiki]，选择对应的系统版本，可以选择一个相对不带dev的稳定版本下载，如：tesseract-ocr-setup-3.05.02-20180621.exe。然后一路安装，唯一记得勾选Additional language data（download），勾选可能会用到的语言tessdata，如简体、繁体中文，数学模块等，不需要全选，下载tessdata的时间会比较长。
    
    然后安装python3对应的tesserocr库，通常我们安装库的方法是使用命令pip install tesserocr，但是这里会报错：“error: Microsoft Visual C++ 14.0 is required. Get it with “Microsoft Visual C++ Build Tools”, 这个时候不宜直接去下载Microsoft Visual C++ Build Tools，而是使用原始的whl文件方式安装。tesserocr 的whl官方文件下载路径：[https://github.com/simonflueckiger/tesserocr-windows\_build/releases][https_github.com_simonflueckiger_tesserocr-windows_build_releases]，下载本地环境对应的whl文件，如我的是window64位系统，python版本是3.5。下载完后，使用cd跳转到whl文件所在目录，然后 执行 ”pip install tesserocr-2.2.2-cp35-cp35m-win\_amd64.whl“，即可轻松完成安装。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwNjUzNjMx_size_16_color_FFFFFF_t_70]  
紧接着用例子验证如何使用：我们找到一个验证码图片：image.jpg，下载到本地磁盘，用代码进行验证：

import tesserocr
     from PIL import Image
     image=Image.open('image.jpg')
     print(tesserocr.image_to_text(image))

不出意外，首次运行总是不顺利，相信我遇到的坑大多数人都会遇到，大抵错误类似：

Traceback (most recent call last):  
File “G:\\pythonSources\\my12306/obtain\_message\\[test.py][]”, line 4, in  
print(tesserocr.image\_to\_text(image))  
File “tesserocr.pyx”, line 2400, in tesserocr.\_tesserocr.image\_to\_text  
RuntimeError: Failed to init API, possibly an invalid tessdata path: “本地某个路径”  
有个比较简单粗暴的解决方法是把安装好的Tesseract-OCR下的tessdata文件夹整个拷贝到提示的那个路径中，亲测有效。

1.  安装opencv  
    由于验证码需要做一些优化处理，方便更加容易被tesserocr识别，所以需要使用opencv来做一些特殊的处理，安装opencv比较简单，直接pip install opencv-python即可。

三、识别过程

1.  将图片变成黑白图片
    
    我需要爬取数据的这个后台网站验证码是黄底白字的，这种色差较小的tesserocr识别起来比较困难，稍微试了一下，基本上没怎么识别对过。。。所以我们需要先将图片变成色差最大的黑白图片。初始图片见下图：
    
    ![在这里插入图片描述][20190708105153845.png]  
    首先，将图片变成灰色，并将灰色图片保存起来方便后续做对比，变成灰色以后的图片如下：  
    ![在这里插入图片描述][20190708105235233.png]  
    变成灰色后，通过像素点的颜色值将灰色部分的背景变成白色，白色的具体内容变成黑色，这样白底黑字的黑白图片就有了：  
    ![在这里插入图片描述][20190708105300570.png]  
    处理成黑白图片的实现代码如下：

img = Image.open(self.code_path)
    # 将图片变成灰色
    img_gray = img.convert('L')
    img_gray.save('../images/code_gray.png')
    # 转成黑白图片
    img_black_white = img_gray.point(lambda x: 0 if x > 200 else 255)
    img_black_white.save('../images/code_black_white.png')

1.  去除图片噪点

*  图片转成黑白以后，一些杂点也随着我们的主体内容变成了黑色的点，这样对识别的效果也有较大的影响，所以需要想办法将这些干扰点去掉。这里就需要借助opencv的功能了，在使用opencv去除噪点之前，需要先将图片做灰值化以及二值化处理，具体代码如下所示：

# opencv处理
    img_cv = cv2.imread('../images/code_black_white.png')
     # 灰值化
    im = cv2.cvtColor(img_cv, cv2.COLOR_BGR2GRAY)
    # 二值化
    cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1)

基本处理之后，就需要消除噪点了，消除噪点的原理也比较简单，就是遍历图片的每一个像素点，找到其上下左右四个像素点位置的颜色，如果这四个点中白色点的数量大于2则说明这个点是噪点，需要将该点的颜色直接置为白色点，在边框位置的像素点也直接置为白色，因为主要内容一般都是在图片中间的。以下为处理噪点的代码：

# 噪点处理
    def interference_point(img):
        filename = '../images/code_result.png'
        h, w = img.shape[:2]
        # 遍历像素点进行处理
        for y in range(0, w):
            for x in range(0, h):
                # 去掉边框上的点
                if y == 0 or y == w - 1 or x == 0 or x == h - 1:
                    img[x, y] = 255
                    continue
                count = 0
                if img[x, y - 1] == 255:
                    count += 1
                if img[x, y + 1] == 255:
                    count += 1
                if img[x - 1, y] == 255:
                    count += 1
                if img[x + 1, y] == 255:
                    count += 1
                if count > 2:
                    img[x, y] = 255
        cv2.imwrite(filename, img)
        return img, filename

噪点处理完毕之后，就是一张非常清晰的图片了：  
![在这里插入图片描述][20190708110134688.png]  
识别测试结果如下：  
![在这里插入图片描述][20190708110758622.png]  
经过多次识别验证测试，另外也由于这个验证码的字体相对比较规范，所以成功率是相当的高了，即使偶尔的一次失败，我们也是可以进行重试就又成功了。哈哈， 差不多就是这个样子啦，欢迎大家指正文中的问题~~不多说了，我要去使用新学的技术去做“坏事”了！

转自：[https://www.cnblogs.com/guishenyouhuo/p/10121864.html][https_www.cnblogs.com_guishenyouhuo_p_10121864.html]

[https_github.com_UB-Mannheim_tesseract_wiki]: https://github.com/UB-Mannheim/tesseract/wiki
[https_github.com_simonflueckiger_tesserocr-windows_build_releases]: https://github.com/simonflueckiger/tesserocr-windows_build/releases
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwNjUzNjMx_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20190708104827425.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwNjUzNjMx,size_16,color_FFFFFF,t_70
[test.py]: http://test.py
[20190708105153845.png]: https://img-blog.csdnimg.cn/20190708105153845.png
[20190708105235233.png]: https://img-blog.csdnimg.cn/20190708105235233.png
[20190708105300570.png]: https://img-blog.csdnimg.cn/20190708105300570.png
[20190708110134688.png]: https://img-blog.csdnimg.cn/20190708110134688.png
[20190708110758622.png]: https://img-blog.csdnimg.cn/20190708110758622.png
[https_www.cnblogs.com_guishenyouhuo_p_10121864.html]: https://www.cnblogs.com/guishenyouhuo/p/10121864.html