01 | 图形验证码的识别

Posted 2021-05-01 AI悦创

目前，许多网站采取各种各样的措施来反爬虫，其中一个措施就是使用验证码。随着技术的发展，验证码的花样越来越多。验证码最初几个数字组合的简单的图形验证码，后来加入了英文字母和混淆曲线。有的网站还能看到中文验证码，这使得识别语法困难。

后来 12306 验证码的出现使得行为验证码开始发展起来，用过 12306 的用户肯定多少为它的验证码头疼过。为什么这么说呢？

因为，我们需要识别文字，然后点击与文字描述相符合的图片，验证码完全正确，验证才能通过。现在这种具有交互式的验证码越来越多，如 极验滑动验证码 此类验证码需要 滑动拼合滑块才可以验证（我不过我个人更喜欢叫它拼图验证码）。点触验证码则需要你完全点击正确结果才可以完成验证，另外还有其它的：滑动九宫格验证码、计算验证码等等。

以下为 12306 验证码示例图：

一：图形验证码

我们首先识别最简单的一种验证码，即图形验证码。这种验证码最早出现，现在也很常见，一般由　４　位字母或者数字组成。

例如，中国知网的注册页面有类似的验证码。

链接为：中国知网的注册页面

我们可以发现，这个注册页面的表单最后一项就是图形验证码，我必须完全正确的输入图片中的字符才能完成注册。

1. 本节目标

以知网为例，我将教你们使用 OCR 技术识别图形验证码的两种方法。

2. 准备工作

识别图形验证码需要的第三方库：tesserocr  和 Pillow 和一个依赖以及语言包。

下面中  1   步安装时间较久，可以先暂时跳过不安装，直接 pip 命令安装。如果出现的问题和下面提到的问题，可以直接使用下面提到的解决方法操作，实在不行。再安装这个 OCR 软件。

# 常规操作，按以下顺序逐步操作# 下面中 1 步安装时间较久，可以先暂时跳过不安装，直接 pip 命令安装。如果出现的问题和下面提到的问题，可以直接使用下面提到的解决方法操作，实在不行。再安装这个 OCR 软件。# 1. 去以下网址下载对应的 exe 安装包（注意：如果你去其他网址下载：不带 dev 的名称，dev 为开发版本，不稳定。不带 dev 为稳定版本，我们下载稳定版本即可）# 安装时，切记勾选 Additional language data(download) 的选项来支持 OCR　识别语言包。详细请看　PDF　安装文档。https://github.com/UB-Mannheim/tesseract/wiki# 1步为了照顾小白，小编为此还编写的 tesseract-ocr 的安装 PDF 文档。后台回复：ORCPDF
# 2. 接下来安装库pip install tesserocr# 如果报错，去网上下载适配的 whl 文件，下载网址：https://github.com/simonflueckiger/tesserocr-windows_build/releases # 安装Pillowpip install Pillow

# 下载完，去 whl 所在的文件夹打开 cmd # 然后输入：pip install whl的文件名

安装成功：

温馨提醒：如果你遇到如下报错则是你的代码 whl 文件与 Python 不匹配。

如果出现此问题：

操作方法：解压压缩包 >>> 把解压的文件放入上图报错的相应 Python37  （注意：我的python是3.7，请按你自己的报错操作即可）的目录下即可 >>> 操作完毕

3. 获取验证码

为了便于实验，我们先将验证码的图片保存的本地。链接为：中国知网的注册页面

下载下来的验证码：

4. 识别测试

接下来新建一个项目，把下载的 验证码 放到你的项目根目录下，就是跟你的代码同一个文件夹 ，使用 resserocr 库来识别该验证码，代码如下：

import tesserocr # 导入库from PIL import Image
image = Image.open('CheckCode.jpg') # 读取图片result = tesserocr.image_to_text(image)# 在这里我们新建了一个 Image 对象，# 调用 tesserocr 的 image_to_text() 方法。最后传入该图像 image 即可完成识别。print(result) # 输出识别结果。
# 输出结果>>>dl0g

实际操作图片：

识别成功，轻松破解！这只是最简单的破解。

另外， tesserocr 还有一个更简单的方法，这个方法可以直接将图片文件 转换成 >>> 字符串 代码如下：

import tesserocrprint(tesserocr.file_to_text('CheckCode.jpg'))
# 输出结果>>>dl0g

不过，此种方法的识别不如上一种方法好

5. 验证码处理

接下来我们换一一个验证码，验证码如图：（获取验证码图片和上面一样的操作）

重新用如下代码测试：

import tesserocrfrom PIL import Image
image = Image.open('CheckCode2.jpg')result = tesserocr.image_to_text(image)print(result)# 可以看到，输出如下结果>>>Dqot

实际操作图片：

这次识别的结果和实际的验证码图片有偏差，这是因为验证码内多余线条干扰了图片的识别。

对于这种情况，我们还需要一下额外的处理，如转灰度、二值化 等操作。

我们可以利用 Image  对象的 convert 方法传如 L ，即可将图片转化为灰度图像，代码如下：

from PIL import Image
image = Image.open('CheckCode2.jpg')image = image.convert('L')image.show()

传入 1 即可将图片进行二值化处理，如下所示：

image = Image.open('CheckCode2.jpg')image = image.convert('1')image.show()

扩展：

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。

我们需要先将原图转为 灰度图像 ，然后再指定二值化阈值，代码如下所示：

from PIL import Image
image = Image.open('CheckCode2.jpg')image = image.convert('L')threshold = 80 # threshold ：阈值,然后阈值设置为 ：80table = []for i in range(256): if i < threshold: table.append(0) else: table.append(1)image = image.point(table, '1')image.show()

最终代码：

import tesserocrfrom PIL import Image
# image = Image.open('CheckCode2.jpg')image = Image.open('Code.jpg')image = image.convert('L')threshold = 80 # threshold ：阈值,然后阈值设置为 ：80table = []for i in range(256): if i < threshold: table.append(0) else: table.append(1)image = image.point(table, '1')image.show()

6. 结语

本节我们了解到利用 tesserocr 来识别验证码的处理过程。下一篇推文：极验滑动验证码识别 敬请期待。