大致介绍
在python爬虫爬取某些网站的验证码的时候可能会遇到验证码识别的问题，现在的验证码大多分为四类：
1、计算验证码
2、滑块验证码
3、识图验证码
4、语音验证码
这篇博客主要写的就是识图验证码，识别的是简单的验证码，要想让识别率更高，识别的更加准确就需要花很多的精力去训练自己的字体库。
识别验证码通常是这几个步骤：
1、灰度处理
2、二值化
3、去除边框（如果有的话）
4、降噪
5、切割字符或者倾斜度矫正
6、训练字体库
7、识别
这6个步骤中前三个步骤是基本的，4或者5可根据实际情况选择是否需要，并不一定切割验证码，识别率就会上升很多有时候还会下降
这篇博客不涉及训练字体库的内容，请自行搜索。同样也不讲解基础的语法。
用到的几个主要的python库： Pillow(python图像处理库)、OpenCV(高级图像处理库)、pytesseract(识别库)
灰度处理&二值化
灰度处理，就是把彩色的验证码图片转为灰色的图片。
二值化，是将图片处理为只有黑白两色的图片，利于后面的图像处理和识别
在OpenCV中有现成的方法可以进行灰度处理和二值化，处理后的效果：
代码：
1 # 自适应阀值二值化 2 def _get_dynamic_binary_image(filedir, img_name): 3 filename = './out_img/' + img_name.split('.')[0] + '-binary.jpg' 4 img_name = filedir + '/' + img_name 5 print('.....' + img_name) 6 im = cv2.imread(img_name) 7 im = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY) #灰值化 8 # 二值化 9 th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1) 10 cv2.imwrite(filename,th1) 11 return th1
去除边框
如果验证码有边框，那我们就需要去除边框，去除边框就是遍历像素点，找到四个边框上的所有点，把他们都改为白色，我这里边框是两个像素宽
注意：在用OpenCV时，图片的矩阵点是反的，就是长和宽是颠倒的
代码：
# 去除边框 def clear_border(img,img_name): filename = './out_img/' + img_name.split('.')[0] + '-clearBorder.jpg' h, w = img.shape[:2] for y in range(0, w): for x in range(0, h): if y < 2 or y > w - 2: img[x, y] = 255 if x < 2 or x > h -2: img[x, y] = 255 cv2.imwrite(filename,img) return img
效果：
降噪
降噪是验证码处理中比较重要的一个步骤，我这里使用了点降噪和线降噪
线降噪的思路就是检测这个点相邻的四个点（图中标出的绿色点），判断这四个点中是白点的个数，如果有两个以上的白色像素点，那么就认为这个点是白色的，从而去除整个干扰线，但是这种方法是有限度的，如果干扰线特别粗就没有办法去除，只能去除细的干扰线
代码：
1 # 干扰线降噪 2 def interference_line(img, img_name): 3 filename = './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg' 4 h, w = img.shape[:2] 5 # ！！！opencv矩阵点是反的 6 # img[1,2] 1:图片的高度，2：图片的宽度 7 for y in range(1, w - 1): 8 for x in range(1, h - 1): 9 count = 0 10 if img[x, y - 1] > 245: 11 count = count + 1 12 if img[x, y + 1] > 245: 13 count = count + 1 14 if img[x - 1, y] > 245: 15 count = count + 1 16 if img[x + 1, y] > 245: 17 count = count + 1 18 if count > 2: 19 img[x, y] = 255 20 cv2.imwrite(filename,img) 21 return img
点降噪的思路和线降噪的差不多，只是会针对不同的位置检测的点不一样,注释写的很清楚了
代码：
# 点降噪 def interference_point(img,img_name, x = 0, y = 0): """ 9邻域框,以当前点为中心的田字框,黑点个数 :param x: :param y: :return: """ filename = './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg' # todo 判断图片的长宽度下限 cur_pixel = img[x,y]# 当前像素点的值 height,width = img.shape[:2] for y in range(0, width - 1): for x in range(0, height - 1): if y == 0: # 第一行 if x == 0: # 左上顶点,4邻域 # 中心点旁边3个点 sum = int(cur_pixel) + int(img[x, y + 1]) + int(img[x + 1, y]) + int(img[x + 1, y + 1]) if sum <= 2 * 245: img[x, y] = 0 elif x == height - 1: # 右上顶点 sum = int(cur_pixel) + int(img[x, y + 1]) + int(img[x - 1, y]) + int(img[x - 1, y + 1]) if sum <= 2 * 245: img[x, y] = 0 else: # 最上非顶点,6邻域 sum = int(img[x - 1, y]) + int(img[x - 1, y + 1]) + int(cur_pixel) + int(img[x, y + 1]) + int(img[x + 1, y]) + int(img[x + 1, y + 1]) if sum <= 3 * 245: img[x, y] = 0 elif y == width - 1: # 最下面一行 if x == 0: # 左下顶点 # 中心点旁边3个点 sum = int(cur_pixel) + int(img[x + 1, y]) + int(img[x + 1, y - 1]) + int(img[x, y - 1]) if sum <= 2 * 245: img[x, y] = 0 elif x == height - 1: # 右下顶点 sum = int(cur_pixel) + int(img[x, y - 1]) + int(img[x - 1, y]) + int(img[x - 1, y - 1]) if sum <= 2 * 245: img[x, y] = 0 else: # 最下非顶点,6邻域 sum = int(cur_pixel) + int(img[x - 1, y]) + int(img[x + 1, y]) + int(img[x, y - 1]) + int(img[x - 1, y - 1]) + int(img[x + 1, y - 1]) if sum <= 3 * 245: img[x, y] = 0 else: # y不在边界 if x == 0: # 左边非顶点 sum = int(img[x, y - 1]) + int(cur_pixel) + int(img[x, y + 1]) + int(img[x + 1, y - 1]) + int(img[x + 1, y]) + int(img[x + 1, y + 1]) if sum <= 3 * 245: img[x, y] = 0 elif x == height - 1: # 右边非顶点 sum = int(img[x, y - 1]) + int(cur_pixel) + int(img[x, y + 1]) + int(img[x - 1, y - 1]) + int(img[x - 1, y]) + int(img[x - 1, y + 1]) if sum <= 3 * 245: img[x, y] = 0 else: # 具备9领域条件的 sum = int(img[x - 1, y - 1]) + int(img[x - 1, y]) + int(img[x - 1, y + 1]) + int(img[x, y - 1]) + int(cur_pixel) + int(img[x, y + 1]) + int(img[x + 1, y - 1]) + int(img[x + 1, y]) + int(img[x + 1, y + 1]) if sum <= 4 * 245: img[x, y] = 0 cv2.imwrite(filename,img) return img
效果：
其实到了这一步，这些字符就可以识别了，没必要进行字符切割了，现在这三种类型的验证码识别率已经达到50%以上了
字符切割
字符切割通常用于验证码中有粘连的字符，粘连的字符不好识别，所以我们需要将粘连的字符切割为单个的字符，在进行识别
字符切割的思路就是找到一个黑色的点，然后在遍历与他相邻的黑色的点，直到遍历完所有的连接起来的黑色的点，找出这些点中的最高的点、最低的点、最右边的点、最左边的点，记录下这四个点，认为这是一个字符，然后在向后遍历点，直至找到黑色的点，继续以上的步骤。最后通过每个字符的四个点进行切割
图中红色的点就是代码执行完后，标识出的每个字符的四个点，然后就会根据这四个点进行切割（图中画的有些误差，懂就好）
但是也可以看到，m2是粘连的，代码认为他是一个字符，所以我们需要对每个字符的宽度进行检测，如果他的宽度过宽，我们就认为他是两个粘连在一起的字符，并将它在从中间切割
确定每个字符的四个点代码：
def cfs(im,x_fd,y_fd): '''用队列和集合记录遍历过的像素坐标代替单纯递归以解决cfs访问过深问题 ''' # print('**********') xaxis=[] yaxis=[] visited =set() q = Queue() q.put((x_fd, y_fd)) visited.add((x_fd, y_fd)) offsets=[(1, 0), (0, 1), (-1, 0), (0, -1)]#四邻域 while not q.empty(): x,y=q.get() for xoffset,yoffset in offsets: x_neighbor,y_neighbor = x+xoffset,y+yoffset if (x_neighbor,y_neighbor) in (visited): continue # 已经访问过了 visited.add((x_neighbor, y_neighbor)) try: if im[x_neighbor, y_neighbor] == 0: xaxis.append(x_neighbor) yaxis.append(y_neighbor) q.put((x_neighbor,y_neighbor)) except IndexError: pass # print(xaxis) if (len(xaxis) == 0 | len(yaxis) == 0): xmax = x_fd + 1 xmin = x_fd ymax = y_fd + 1 ymin = y_fd else: xmax = max(xaxis) xmin = min(xaxis) ymax = max(yaxis) ymin = min(yaxis) #ymin,ymax=sort(yaxis) return ymax,ymin,xmax,xmin def detectFgPix(im,xmax): '''搜索区块起点 ''' h,w = im.shape[:2] for y_fd in range(xmax+1,w): for x_fd in range(h): if im[x_fd,y_fd] == 0: return x_fd,y_fd def CFS(im): '''切割字符位置 ''' zoneL=[]#各区块长度L列表 zoneWB=[]#各区块的X轴[起始，终点]列表 zoneHB=[]#各区块的Y轴[起始，终点]列表 xmax=0#上一区块结束黑点横坐标,这里是初始化 for i in range(10): try: x_fd,y_fd = detectFgPix(im,xmax) # print(y_fd,x_fd) xmax,xmin,ymax,ymin=cfs(im,x_fd,y_fd) L = xmax - xmin H = ymax - ymin zoneL.append(L) zoneWB.append([xmin,xmax]) zoneHB.append([ymin,ymax]) except TypeError: return zoneL,zoneWB,zoneHB return zoneL,zoneWB,zoneHB
分割粘连字符代码：
# 切割的位置 im_position = CFS(im) maxL = max(im_position[0]) minL = min(im_position[0]) # 如果有粘连字符，如果一个字符的长度过长就认为是粘连字符，并从中间进行切割 if(maxL > minL + minL * 0.7): maxL_index = im_position[0].index(maxL) minL_index = im_position[0].index(minL) # 设置字符的宽度 im_position[0][maxL_index] = maxL // 2 im_position[0].insert(maxL_index + 1, maxL // 2) # 设置字符X轴[起始，终点]位置 im_position[1][maxL_index][1] = im_position[1][maxL_index][0] + maxL // 2 im_position[1].insert(maxL_index + 1, [im_position[1][maxL_index][1] + 1, im_position[1][maxL_index][1] + 1 + maxL // 2]) # 设置字符的Y轴[起始，终点]位置 im_position[2].insert(maxL_index + 1, im_position[2][maxL_index]) # 切割字符，要想切得好就得配置参数，通常 1 or 2 就可以 cutting_img(im,im_position,img_name,1,1)
切割粘连字符代码：
def cutting_img(im,im_position,img,xoffset = 1,yoffset = 1): filename = './out_img/' + img.split('.')[0] # 识别出的字符个数 im_number = len(im_position[1]) # 切割字符 for i in range(im_number): im_start_X = im_position[1][i][0] - xoffset im_end_X = im_position[1][i][1] + xoffset im_start_Y = im_position[2][i][0] - yoffset im_end_Y = im_position[2][i][1] + yoffset cropped = im[im_start_Y:im_end_Y, im_start_X:im_end_X] cv2.imwrite(filename + '-cutting-' + str(i) + '.jpg',cropped)
效果：
识别
识别用的是typesseract库，主要识别一行字符和单个字符时的参数设置，识别中英文的参数设置，代码很简单就一行，我这里大多是filter文件的操作
代码：
# 识别验证码 cutting_img_num = 0 for file in os.listdir('./out_img'): str_img = '' if fnmatch(file, '%s-cutting-*.jpg' % img_name.split('.')[0]): cutting_img_num += 1 for i in range(cutting_img_num): try: file = './out_img/%s-cutting-%s.jpg' % (img_name.split('.')[0], i) # 识别字符 str_img = str_img + image_to_string(Image.open(file),lang = 'eng', config='-psm 10') #单个字符是10，一行文本是7 except Exception as err: pass print('切图：%s' % cutting_img_num) print('识别为：%s' % str_img)
最后这种粘连字符的识别率是在30%左右，而且这种只是处理两个字符粘连，如果有两个以上的字符粘连还不能识别，但是根据字符宽度判别的话也不难，有兴趣的可以试一下
无需切割字符识别的效果：
需要切割字符的识别效果：
这种只是能够识别简单验证码，复杂的验证码还要靠大家了
参考资料：
1、http://www.jianshu.com/p/41127bf90ca9
本来参考了挺多的资料，但是时间长了就找不到了，如果有人发现了，可以告诉我，我再添加
使用方法：
1、将要识别的验证码图片放入与脚本同级的img文件夹中，创建out_img文件夹
2、python3 filename
3、二值化、降噪等各个阶段的图片将存储在out_img文件夹中，最终识别结果会打印到屏幕上
最后附上源码（带切割，不想要切割的就自己修改吧）：
1 from PIL import Image 2 from pytesseract import * 3 from fnmatch import fnmatch 4 from queue import Queue 5 import matplotlib.pyplot as plt 6 import cv2 7 import time 8 import os 9 10 11 12 13 14 def clear_border(img,img_name): 15 '''去除边框 16 ''' 17 18 filename = './out_img/' + img_name.split('.')[0] + '-clearBorder.jpg' 19 h, w = img.shape[:2] 20 for y in range(0, w): 21 for x in range(0, h): 22 # if y ==0 or y == w -1 or y == w - 2: 23 if y < 4 or y > w -4: 24 img[x, y] = 255 25 # if x == 0 or x == h - 1 or x == h - 2: 26 if x < 4 or x > h - 4: 27 img[x, y] = 255 28 29 cv2.imwrite(filename,img) 30 return img 31 32 33 def interference_line(img, img_name): 34 ''' 35 干扰线降噪 36 ''' 37 38 filename = './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg' 39 h, w = img.shape[:2] 40 # ！！！opencv矩阵点是反的 41 # img[1,2] 1:图片的高度，2：图片的宽度 42 for y in range(1, w - 1): 43 for x in range(1, h - 1): 44 count = 0 45 if img[x, y - 1] > 245: 46 count = count + 1 47 if img[x, y + 1] > 245: 48 count = count + 1 49 if img[x - 1, y] > 245: 50 count = count + 1 51 if img[x + 1, y] > 245: 52 count = count + 1 53 if count > 2: 54 img[x, y] = 255 55 cv2.imwrite(filename,img) 56 return img 57 58 def interference_point(img,img_name, x = 0, y = 0): 59 """点降噪 60 9邻域框,以当前点为中心的田字框,黑点个数 61 :param x: 62 :param y: 63 :return: 64 """ 65 filename = './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg' 66 # todo 判断图片的长宽度下限 67 cur_pixel = img[x,y]# 当前像素点的值 68 height,width = img.shape[:2] 69 70 for y in range(0, width - 1): 71 for x in range(0, height - 1): 72 if y == 0: # 第一行 73 if x == 0: # 左上顶点,4邻域 74 # 中心点旁边3个点 75 sum = int(cur_pixel) 76 + int(img[x, y + 1]) 77 + int(img[x + 1, y]) 78 + int(img[x + 1, y + 1]) 79 if sum <= 2 * 245: 80 img[x, y] = 0 81 elif x == height - 1: # 右上顶点 82 sum = int(cur_pixel) 83 + int(img[x, y + 1]) 84 + int(img[x - 1, y]) 85 + int(img[x - 1, y + 1]) 86 if sum <= 2 * 245: 87 img[x, y] = 0 88 else: # 最上非顶点,6邻域 89 sum = int(img[x - 1, y]) 90 + int(img[x - 1, y + 1]) 91 + int(cur_pixel) 92 + int(img[x, y + 1]) 93 + int(img[x + 1, y]) 94 + int(img[x + 1, y + 1]) 95 if sum <= 3 * 245: 96 img[x, y] = 0 97 elif y == width - 1: # 最下面一行 98 if x == 0: # 左下顶点 99 # 中心点旁边3个点 100 sum = int(cur_pixel) 101 + int(img[x + 1, y]) 102 + int(img[x + 1, y - 1]) 103 + int(img[x, y - 1]) 104 if sum <= 2 * 245: 105 img[x, y] = 0 106 elif x == height - 1: # 右下顶点 107 sum = int(cur_pixel) 108 + int(img[x, y - 1]) 109 + int(img[x - 1, y]) 110 + int(img[x - 1, y - 1]) 111 112 if sum <= 2 * 245: 113 img[x, y] = 0 114 else: # 最下非顶点,6邻域 115 sum = int(cur_pixel) 116 + int(img[x - 1, y]) 117 + int(img[x + 1, y]) 118 + int(img[x, y - 1]) 119 + int(img[x - 1, y - 1]) 120 + int(img[x + 1, y - 1]) 121 if sum <= 3 * 245: 122 img[x, y] = 0 123 else: # y不在边界 124 if x == 0: # 左边非顶点 125 sum = int(img[x, y - 1]) 126 + int(cur_pixel) 127 + int(img[x, y + 1]) 128 + int(img[x + 1, y - 1]) 129 + int(img[x + 1, y]) 130 + int(img[x + 1, y + 1]) 131 132 if sum <= 3 * 245: 133 img[x, y] = 0 134 elif x == height - 1: # 右边非顶点 135 sum = int(img[x, y - 1]) 136 + int(cur_pixel) 137 + int(img[x, y + 1]) 138 + int(img[x - 1, y - 1]) 139 + int(img[x - 1, y]) 140 + int(img[x - 1, y + 1]) 141 142 if sum <= 3 * 245: 143 img[x, y] = 0 144 else: # 具备9领域条件的 145 sum = int(img[x - 1, y - 1]) 146 + int(img[x - 1, y]) 147 + int(img[x - 1, y + 1]) 148 + int(img[x, y - 1]) 149 + int(cur_pixel) 150 + int(img[x, y + 1]) 151 + int(img[x + 1, y - 1]) 152 + int(img[x + 1, y]) 153 + int(img[x + 1, y + 1]) 154 if sum <= 4 * 245: 155 img[x, y] = 0 156 cv2.imwrite(filename,img) 157 return img 158 159 def _get_dynamic_binary_image(filedir, img_name): 160 ''' 161 自适应阀值二值化 162 ''' 163 164 filename = './out_img/' + img_name.split('.')[0] + '-binary.jpg' 165 img_name = filedir + '/' + img_name 166 print('.....' + img_name) 167 im = cv2.imread(img_name) 168 im = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY) 169 170 th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1) 171 cv2.imwrite(filename,th1) 172 return th1 173 174 def _get_static_binary_image(img, threshold = 140): 175 ''' 176 手动二值化 177 ''' 178 179 img = Image.open(img) 180 img = img.convert('L') 181 pixdata = img.load() 182 w, h = img.size 183 for y in range(h): 184 for x in range(w): 185 if pixdata[x, y] < threshold: 186 pixdata[x, y] = 0 187 else: 188 pixdata[x, y] = 255 189 190 return img 191 192 193 def cfs(im,x_fd,y_fd): 194 '''用队列和集合记录遍历过的像素坐标代替单纯递归以解决cfs访问过深问题 195 ''' 196 197 # print('**********') 198 199 xaxis=[] 200 yaxis=[] 201 visited =set() 202 q = Queue() 203 q.put((x_fd, y_fd)) 204 visited.add((x_fd, y_fd)) 205 offsets=[(1, 0), (0, 1), (-1, 0), (0, -1)]#四邻域 206 207 while not q.empty(): 208 x,y=q.get() 209 210 for xoffset,yoffset in offsets: 211 x_neighbor,y_neighbor = x+xoffset,y+yoffset 212 213 if (x_neighbor,y_neighbor) in (visited): 214 continue # 已经访问过了 215 216 visited.add((x_neighbor, y_neighbor)) 217 218 try: 219 if im[x_neighbor, y_neighbor] == 0: 220 xaxis.append(x_neighbor) 221 yaxis.append(y_neighbor) 222 q.put((x_neighbor,y_neighbor)) 223 224 except IndexError: 225 pass 226 # print(xaxis) 227 if (len(xaxis) == 0 | len(yaxis) == 0): 228 xmax = x_fd + 1 229 xmin = x_fd 230 ymax = y_fd + 1 231 ymin = y_fd 232 233 else: 234 xmax = max(xaxis) 235 xmin = min(xaxis) 236 ymax = max(yaxis) 237 ymin = min(yaxis) 238 #ymin,ymax=sort(yaxis) 239 240 return ymax,ymin,xmax,xmin 241 242 def detectFgPix(im,xmax): 243 '''搜索区块起点 244 ''' 245 246 h,w = im.shape[:2] 247 for y_fd in range(xmax+1,w): 248 for x_fd in range(h): 249 if im[x_fd,y_fd] == 0: 250 return x_fd,y_fd 251 252 def CFS(im): 253 '''切割字符位置 254 ''' 255 256 zoneL=[]#各区块长度L列表 257 zoneWB=[]#各区块的X轴[起始，终点]列表 258 zoneHB=[]#各区块的Y轴[起始，终点]列表 259 260 xmax=0#上一区块结束黑点横坐标,这里是初始化 261 for i in range(10): 262 263 try: 264 x_fd,y_fd = detectFgPix(im,xmax) 265 # print(y_fd,x_fd) 266 xmax,xmin,ymax,ymin=cfs(im,x_fd,y_fd) 267 L = xmax - xmin 268 H = ymax - ymin 269 zoneL.append(L) 270 zoneWB.append([xmin,xmax]) 271 zoneHB.append([ymin,ymax]) 272 273 except TypeError: 274 return zoneL,zoneWB,zoneHB 275 276 return zoneL,zoneWB,zoneHB 277 278 279 def cutting_img(im,im_position,img,xoffset = 1,yoffset = 1): 280 filename = './out_img/' + img.split('.')[0] 281 # 识别出的字符个数 282 im_number = len(im_position[1]) 283 # 切割字符 284 for i in range(im_number): 285 im_start_X = im_position[1][i][0] - xoffset 286 im_end_X = im_position[1][i][1] + xoffset 287 im_start_Y = im_position[2][i][0] - yoffset 288 im_end_Y = im_position[2][i][1] + yoffset 289 cropped = im[im_start_Y:im_end_Y, im_start_X:im_end_X] 290 cv2.imwrite(filename + '-cutting-' + str(i) + '.jpg',cropped) 291 292 293 294 def main(): 295 filedir = './easy_img' 296 297 for file in os.listdir(filedir): 298 if fnmatch(file, '*.jpeg'): 299 img_name = file 300 301 # 自适应阈值二值化 302 im = _get_dynamic_binary_image(filedir, img_name) 303 304 # 去除边框 305 im = clear_border(im,img_name) 306 307 # 对图片进行干扰线降噪 308 im = interference_line(im,img_name) 309 310 # 对图片进行点降噪 311 im = interference_point(im,img_name) 312 313 # 切割的位置 314 im_position = CFS(im) 315 316 maxL = max(im_position[0]) 317 minL = min(im_position[0]) 318 319 # 如果有粘连字符，如果一个字符的长度过长就认为是粘连字符，并从中间进行切割 320 if(maxL > minL + minL * 0.7): 321 maxL_index = im_position[0].index(maxL) 322 minL_index = im_position[0].index(minL) 323 # 设置字符的宽度 324 im_position[0][maxL_index] = maxL // 2 325 im_position[0].insert(maxL_index + 1, maxL // 2) 326 # 设置字符X轴[起始，终点]位置 327 im_position[1][maxL_index][1] = im_position[1][maxL_index][0] + maxL // 2 328 im_position[1].insert(maxL_index + 1, [im_position[1][maxL_index][1] + 1, im_position[1][maxL_index][1] + 1 + maxL // 2]) 329 # 设置字符的Y轴[起始，终点]位置 330 im_position[2].insert(maxL_index + 1, im_position[2][maxL_index]) 331 332 # 切割字符，要想切得好就得配置参数，通常 1 or 2 就可以 333 cutting_img(im,im_position,img_name,1,1) 334 335 # 识别验证码 336 cutting_img_num = 0 337 for file in os.listdir('./out_img'): 338 str_img = '' 339 if fnmatch(file, '%s-cutting-*.jpg' % img_name.split('.')[0]): 340 cutting_img_num += 1 341 for i in range(cutting_img_num): 342 try: 343 file = './out_img/%s-cutting-%s.jpg' % (img_name.split('.')[0], i) 344 # 识别验证码 345 str_img = str_img + image_to_string(Image.open(file),lang = 'eng', config='-psm 10') #单个字符是10，一行文本是7 346 except Exception as err: 347 pass 348 print('切图：%s' % cutting_img_num) 349 print('识别为：%s' % str_img) 350 351 if __name__ == '__main__': 352 main()