验证码探究
如果你是一个数据挖掘爱好者，那么验证码是你避免不过去的一个天坑，和各种验证码斗争，必然是你成长的一条道路，接下来的几篇文章，我会尽量的找到各种验证码，并且去尝试解决掉它，中间有些技术甚至我都没有见过，来吧，一起Coding吧
数字+字母的验证码
我随便在百度图片搜索了一个验证码，如下
今天要做的是验证码识别中最简单的一种办法，采用pytesseract解决，它属于Python当中比较简单的OCR识别库
库的安装
使用pytesseract之前，你需要通过pip 安装一下对应的模块 ，需要两个
pytesseract库还有图像处理的pillow库了
pip install pytesseract
pip install pillow
如果你安装了这两个库之后，编写一个识别代码，一般情况下会报下面这个错误
pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your path
这是由于你还缺少一部分内容
安装一个Tesseract-OCR软件。这个软件是由Google维护的开源的OCR软件。
下载地址 > https://github.com/tesseract-ocr/tesseract/wiki
中文包的下载地址 > https://github.com/tesseract-ocr/tessdata
选择你需要的版本进行下载即可
pillow库的基本操作
| 命令 | 释义 |
|---|---|
| open() | 打开一个图片 from PIL import Image im = Image.open("1.png") im.show() |
| save() | 保存文件 |
| convert() | convert() 是图像实例对象的一个方法，接受一个 mode 参数，用以指定一种色彩模式，mode 的取值可以是如下几种： · 1 (1-bit pixels, black and white, stored with one pixel per byte) · L (8-bit pixels, black and white) · P (8-bit pixels, mapped to any other mode using a colour palette) · RGB (3x8-bit pixels, true colour) · RGBA (4x8-bit pixels, true colour with transparency mask) · CMYK (4x8-bit pixels, colour separation) · YCbCr (3x8-bit pixels, colour video format) · I (32-bit signed integer pixels) · F (32-bit floating point pixels) |
Filter
from PIL import Image, ImageFilter
im = Image.open(‘1.png’)
# 高斯模糊
im.filter(ImageFilter.GaussianBlur)
# 普通模糊
im.filter(ImageFilter.BLUR)
# 边缘增强
im.filter(ImageFilter.EDGE_ENHANCE)
# 找到边缘
im.filter(ImageFilter.FIND_EDGES)
# 浮雕
im.filter(ImageFilter.EMBOSS)
# 轮廓
im.filter(ImageFilter.CONTOUR)
# 锐化
im.filter(ImageFilter.SHARPEN)
# 平滑
im.filter(ImageFilter.SMOOTH)
# 细节
im.filter(ImageFilter.DETAIL)
Format
format属性定义了图像的格式，如果图像不是从文件打开的，那么该属性值为None；
size属性是一个tuple，表示图像的宽和高（单位为像素）；
mode属性为表示图像的模式，常用的模式为：L为灰度图，RGB为真彩色，CMYK为pre-press图像。如果文件不能打开，则抛出IOError异常。
这个地方可以参照一篇博客，写的不错 > https://www.cnblogs.com/mapu/p/8341108.html
验证码识别
注意安装完毕，如果还是报错，请找到模块 pytesseract.py 这个文件，对这个文件进行编辑
一般这个文件在 C:Program FilesPython36Libsite-packagespytesseractpytesseract.py 位置
文件中 tesseract_cmd = 'tesseract' 改为自己的地址
例如： tesseract_cmd = 'C:Program Files (x86)Tesseract-OCR esseract.exe'
如果报下面的BUG，请注意
Error opening data file Program Files (x86)Tesseract-OCR essdata/chi_sim.traineddata Please make sure the TESSDATA_PREFIX environment variable
解决办法也比较容易，按照它的提示，表示缺失了 TESSDATA_PREFIX 这个环境变量。你只需要在系统环境变量中添加一条即可
将 TESSDATA_PREFIX=C:Program Files (x86)Tesseract-OCR 添加环境变量
重启IDE或者重新CMD，然后继续运行代码，这个地方注意需要用管理员运行你的py脚本
步骤分为
- 打开图片 Image.open()
- pytesseract识别图片
import pytesseract
from PIL import Image
def main():
image = Image.open("1.jpg")
text = pytesseract.image_to_string(image,lang="chi_sim")
print(text)
if __name__ == '__main__':
main()
测试英文，数字什么的基本没有问题，中文简直惨不忍睹。空白比较大的可以识别出来。唉~不好用
当然刚才那个7364 十分轻松的就识别出来了。
带干扰的验证码识别
接下来识别如下的验证码，我们首先依旧先尝试一下。运行代码发现没有任何显示。接下来需要对这个图片进行处理
基本原理都是完全一样的
- 彩色转灰度
- 灰度转二值
- 二值图像识别
彩色转灰度
im = im.convert('L')
灰度转二值，解决方案比较成套路，采用阈值分割法，threshold为分割点
def initTable(threshold=140):
table = []
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
return table
调用
binaryImage = im.point(initTable(), '1')
binaryImage.show()
调整之后
我们还需要对干扰线进行处理。在往下研究去，是图片深入处理的任务，对付小网站的简单验证码，这个办法足够了，本篇博文OVER,下一篇我们继续研究验证码。
参考链接
tesserocr GitHub：https://github.com/sirfz/tesserocr
tesserocr PyPI：https://pypi.python.org/pypi/tesserocr
pytesserocr GitHub：https://github.com/madmaze/pytesseract
pytesserocr PyPI：https://pypi.org/project/pytesseract/
tesseract下载地址：http://digi.bib.uni-mannheim.de/tesseract
tesseract GitHub：https://github.com/tesseract-ocr/tesseract
tesseract 语言包：https://github.com/tesseract-ocr/tessdata
tesseract文档：https://github.com/tesseract-ocr/tesseract/wiki/Documentation
扫码关注微信公众账号，领取2T学习资源