Python 验证码解析

验证码解析环境搭建

安装Tesseract

Tesserocr 是 Python 的一个 OCR 识别库，但其实是对 Tesseract 做的一层 Python API 封装，所以它的核心是 Tesseract，所以在安装 Tesserocr 之前我们需要先安装 Tesseract

官方网址：https://digi.bib.uni-mannheim.de/tesseract/

选择版本：

此处选择4.0.0版本，因为截至目前（2020-2-28）对应的python库的支持最新只到这个版本。

具体看https://github.com/simonflueckiger/tesserocr-windows_build/releases的显示版本，括号里是支持Tesserocr的版本。

 

安装时可以勾选多语言支持（但会导致整个过程很慢）：

安装完成后，需要设置环境变量。在Path中设置C:Program FilesTesseract-OCR（路径以自己为准）

确认是否设置正确：

安装Tesserocr（Tesseract-OCR）

使用pip直接安装：

 pip install tesserocr pillow 

如果安装失败，尝试使用以下方法：

下载安装tesserocr的whl格式文件。

whl格式本质上是一个压缩包,里面包含了py文件,以及经过编译的pyd文件

网址：https://github.com/simonflueckiger/tesserocr-windows_build/releases

查看本机python对应的版本：

新建test2.py文件并执行：

 import pip import pip._internal print(pip._internal.pep425tags.get_supported()) 

输出：

[('cp37', 'cp37m', 'win_amd64'), ('cp37', 'none', 'win_amd64'), ('py3', 'none', 'win_amd64'), ('cp37', 'none', 'any'), ('cp3', 'none', 'any'), ('py37', 'none', 'any'), ('py3', 'none', 'any'), ('py36', 'none', 'any'), ('py35', 'none', 'any'), ('py34', 'none', 'any'), ('py33', 'none', 'any'), ('py32', 'none', 'any'), ('py31', 'none', 'any'), ('py30', 'none', 'any')]

意思是对应版本是'cp37', 'cp37m', 'win_amd64'。

找到对应的版本：

下载后使用pip安装.whl文件（路径以自己实际路径为准）：

 pip install C: esserocr-2.4.0-cp37-cp37m-win_amd64.whl 

开始编码

解析验证码

首先安装依赖：

 pip install pillow 

如果安装失败。使用：

 python -m pip install --upgrade pip 

完成后执行install命令。

使用tesseract识别验证码

找一张验证码（test.jpg）：

 

解析验证码（test3.py）：

import tesserocr
from PIL import Image
image=Image.open('test.jpg')
image.show()  #可以打印出图片，供预览
print(tesserocr.image_to_text(image))

如果执行过程中报错：

Failed to init API, possibly an invalid tessdata path: C:UsersXXXXXAppDataLocalProgramsPythonPython37/tessdata/

则将Tesseract安装目录下的tessdata文件夹复制到python的根目录，即报错显示的目录。

使用pytesseract识别验证码

以上范例使用的是tesserocr.image_to_text()，但是识别效率很低，推荐使用pytesseract。pytesseract是在Tesseract-OCR基础上封装的，识别效果更好的类库。

官方介绍：Python-tesseract is a wrapper for Google’s Tesseract-OCR Engine. It is also useful as a stand-alone invocation script to tesseract, as it can read all image types supported by the Pillow and Leptonica imaging libraries, including jpeg, png, gif, bmp, tiff, and others. 

首先安装pytesseract：

 pip install pytesseract 

使用pytesseract的image_to_string()方法：

from PIL import Image
from pytesseract import *

result = image_to_string(Image.open("test.jpg"), lang='eng', config='--psm 10 --oem 3 -c tessedit_char_whitelist=0123456789')

lang表示识别的语言。
psm是一个设置验证码识别的重要参数，可以用它来精确提升验证通过率（下方是官网给出的值范围）。
oem没有找到专门的解释，官网给的范例使用的值是3。
tessedit_char_whitelist表示白名单，将识别的结果控制在白名单范围（经测试，效果有限）

psm值：

Page segmentation modes:
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.
11 Sparse text. Find as much text as possible in no particular order.
12 Sparse text with OSD.
13 Raw line. Treat the image as a single text line,bypassing hacks that are Tesseract-specific.