20 行代码带你实现验证码自动识别

Posted 2021-05-01 大学IT圈

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了20 行代码带你实现验证码自动识别相关的知识，希望对你有一定的参考价值。

阅读文本大概需要 8 分钟。

这几天在写代码的过程中遇到一个需求，爬虫模拟登录。这个过程中需要填写验证码，于是本着以人为本的原则，这当然是能用代码实现就用代码实现了。于是乎提出了验证码自动识别的需求。

经过一顿探索发现，终于解决了这个问题，其实也很简单。主要的工具就是 tesseract-ocr 和对应的 python 包 pytesseract。tesseract-ocr 是一个用来实现图像识别的工具。

https://github.com/UB-Mannheim/tesseract/wiki

20 行代码带你实现验证码自动识别

下载工程中会出现选择安装内容的提示框，记得要将语言选项中的中文选上，这次验证码识别可能不会用到，为以后中文识别做准备。如果点了全选，在下载过程中可能会出现错误提示，忽略即可。

pytesseract 下载:

pip3 install pytesseract

到这里我们的基本工具就安装好了，接下来用代码实现。代码实现之前我们先来找一个验证码来测试，我这里找的是中国知网登录时的验证码：

http://login.cnki.net/checkcode.aspx

一句 Python 代码即可爬到验证码，十分方便。

import requests
imgdata = requests.get('http://login.cnki.net/checkcode.aspx')

接下来就可以用 pytesseract 实现验证码识别了。

import requests
import pytesseract
import io
from PIL import Image

imgdata = requests.get('http://login.cnki.net/checkcode.aspx')
# 通过 io 模块实现模拟文件读取操作，让Image.open读取爬取的图片数据
image = Image.open(io.BytesIO(imgdata.content))
# 模式L”为灰色图像，它的每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。
img = image.convert('L')
vcode = pytesseract.image_to_string(img, lang='eng', config='--psm 7 ')
print(vcode)

这里用到了 PIL 库，执行以下命令安装：

pip3 install pillow

如果你在安装 tesseract-ocr 的时候自定义了安装路径，执行这个代码会遇到一个报错，如果没有请自行忽略，通过修改 pytesseract.py 文件代码，将 tesseract_cmd 变量修改为 tesseract-ocr 安装路径执行成功，不要忘记字符串前面的 r 。

tesseract_cmd = r'D:\Program Files (x86)\Tesseract-OCR\tesseract.exe'

20 行代码带你实现验证码自动识别

在上面代码可以看到，我们在进行图片识别前还进行了一些图片的处理操作。首先用 Image 方法打开图片。因为 Image.open 方法打开的是图片文件，所以我们这里用 io.BytesIO() 方法模拟文件打开操作，注意这个方法的参数是二进制数据。我也看了好多百度的方法，还是用这个方法最简单。

打开文件之后还进行了一步灰度处理操作，它可以将文件处理成类似这样的样式：

20 行代码带你实现验证码自动识别

经过处理可以大幅提高图片识别成功率。在我这里只用到了灰度处理方法，除此之外，常用的还有二值处理，即将图片处理成非黑即白的图像。代码如下：

imgdata = requests.get('http://login.cnki.net/checkcode.aspx')

# 通过 io 模块实现模拟文件读取操作，让Image.open读取爬取的图片数据
image = Image.open(io.BytesIO(imgdata.content))

# 模式L”为灰色图像，它的每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。
img = image.convert('L')

#二值化，阈值可以根据情况修改
threshold = 128
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
img2 = img.point(table, '1')
vcode = pytesseract.image_to_string(img, lang='eng', config='--psm 7 ')
print(vcode)

二值处理后的图片是这样的：

20 行代码带你实现验证码自动识别

二值化的阀值可以根据时间情况进行调整，一般150左右效果比较好。

最后 pytesseract.image_to_string 这个方法就是完成图片识别的代码了，你没有看错，真正用来识别的代码就这一句。不过通常都会提前对图片进行一定的处理，可以显著提高识别的正确率。

另外可以看到这个方法还有几个参数，img 就是处理过后的图片，lang 参数用来指定语言 eng 表示英语、chi_sim 表示中文，config 指定识别模式，这里指定为 --psm 7，默认为 --psm 3，如果默认的不能识别成功的话，不妨试试 --psm 7 或其他模式。这里有一份各种模式的参数表：