验证码的识别 -01 -图形验证码的识别
1. 准备工作
- 1. 下载安装 tesseract 下载地址
- 下载完成后双击,安装程序, 可以勾选Additional language data(download)选项来安装 OCR 识别支持的语言包,这样 OCR 便可以识别多国语言
- 将tesseract 配置环境变量
- 将tesseract的语言包添加到环境变量中,在环境变量中新建一个系统变量,变量名称为TESSDATA_PREFIX,tessdata是放置语言包的文件夹,一般在你安装tesseract的目录下,即tesseract的安装目录就是tessdata的父目录,把TESSDATA_PREFIX的值设置为它即可
- pip安装tesserocr文件, 注意pip install tesserocr 在window系统上安装总是失败, 需要去github上下载 与我们安装的tesseract版本对应的 tesserocr 的 .whl文件,进行安装,
2. 获取验证码图片
import os import requests from uuid import uuid4 from selenium import webdriver browser = webdriver.Firefox() browser.get('http://my.cnki.net/elibregister/commonRegister.aspx') browser.implicitly_wait(2) os.mkdir('picture') for i in range(5): image = browser.find_element_by_xpath('//*[@id="checkcode"]') image_url = image.get_attribute('src') image_content = requests.get(image_url).content image_path = os.path.join('picture', f'{uuid4()}.jpg') with open(image_path, 'wb') as f: f.write(image_content) image.click() browser.implicitly_wait(2)
3. 识别测试
import tesserocr from PIL import Image image = Image.open('picture/1.jpg') result = tesserocr.image_to_text(image) #将image对象转换为文字 print(result) print(tesserocr.file_to_text('picture/1.jpg')) #将文件对象转换为文字
4. 验证码处理
转化为灰度图像和二值化处理
image = image.convert('L') #将图片转化为灰度图像 image.show() image = image.convert('1') #将图片进行二值化处理 image.show()
我们还可以指定二值化的阈值, 上面的方法采用的是默认阈值127, 不过我们不能直接转化原图, 要将原图先转化为灰度图像, 然后再指定二值化阈值,
import tesserocr from PIL import Image image = Image.open('picture/2.jpg') image = image.convert('L') threshold = 105 #数值越小, 图片中的像素点越少, 空白越多 table = [] for i in range(256): if i < threshold: table.append(0) else: table.append(1) image = image.point(table,'1') image.show() result = tesserocr.image_to_text(image)