Python tesserocr模块使用示例

Posted 2020-11-21 NewJune

操作系统：Win10 1709  X64

python版本：3.6.5

依赖模块：PIL、tesserocr。

　　需要说明的是，在windows系统上PowerShell通过PIP3 install tesserocr安装验证码识别模块时，需要先安装Tesseract （一款由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强。）可执行文件。

　　以中国知网的注册页面为例，我们常被要求输入这类简单的字母组成，背景含很多杂线的验证码，如下图所示：

我们对验证码另存为到本地代码所在目录，取名：test.png.

下图是直接用对应模块识别的代码示例：

import tesserocr
from PIL import Image
image=Image.open(\'test.png\')

image.show()  #可以打印出图片，供预览
print(tesserocr.image_to_text(image))

　　

　　原始图片尺寸较小，极少情况下如果无法正常识别，可以借助图片处理工具PIL模块进行图片等比例放大后保存。此例中直接运行上述代码，结果为“VHIHI”，即使是肉眼可见较为清晰的验证码，如果图片未经处理直接交由tesserocr解析，也可能识别率很低。

　　通常情况下，我们还需要做些额外的图片处理，如转灰度图，二值化等。

利用Image对应的convert()方法传参L，即可将图片转为灰度图。

image=image.convert(\'L\')

image.show()

传入1即可完成二值化，如下：

image=image.convert(\'1\')

image.show()

当然我们更多时候需要根据图片的实际情况指定二值化的阈值，比如我们将阈值设定为80，先转灰度图，再二值化，代码如下：

import tesserocr
from PIL import Image
image=Image.open(\'test.png\')
image=image.convert("L")
threshold=80
table=[]
for i in range(256):
    if i <threshold:
        table.append(0)
    else:
        table.append(1)
image=image.point(table,\'1\')
image.show()
print(tesserocr.image_to_text(image))

观察到处理后图片如右：

　　尽管图片已经转为灰度图，且过滤了大部分杂线，但是图片关键像素丢失严重，识别结果自然也不尽如人意，结果：“VH.”。

此时我们根据图片的实际情况，人为调整程序中预设的阈值到130，再观察：,这次的图片转换效果显著，我们再次查看识别结果，“VHRU”，与肉眼观察到的别无二致，合乎要求。

可见验证码的识别除了用好识别模块，还需要在必要时引入PIL（图片处理模块）进行图片预处理，预处理过程中的阈值等设定也存有技巧，不同的参数设定，会完全影响最终的识别率。

　　现实中很多网站的验证码要远比例子中的来得复杂，尤其是12306购票网站的验证码，使行为验证码开始高速发展，肉眼分辨起来都异常困难，这就要求我们对验证码的识别技术要不断提升，才能突破网站逐步升级的反爬虫机制。