图形验证码的识别

Posted 2021-03-07 hankleo

利用OCR技术识别图形验证码

安装tesserocr

• tesserocr GitHub：https://github.com/sirfz/tesserocr
• tesserocr PyPI：https://pypi.python.org/pypi/tesserocr
• tesseract 下载地址：http://digi.bib.uni-mannheim.de/tesseract
• tesseract GitHub：https://github.com/tesseract-ocr/tesseract
• tesseract 语言包：https://github.com/tesseract-ocr/tessdata
• tesseract 文档：https://github.com/tesseract-ocr/tesseract/wiki/Documentation

识别测试

import tesserocr
from PIL import Image

image = Image.open('code.jpg')
result = tesserocr.image_to_text(image)
print(result)

也可以直接将图片文件转为字符串

import tesserocr
print(tesserocr.file_to_text("image.png"))

验证码处理

利用Image对象的convert()方法参数传入L,即可将图片转化为灰度图像

image = image.convert("L")
image.show()

传入1可将图片进行二值化处理

image = image.convert("1")
image.show()

先将原图转为灰度图像，然后再制定二值化阀值。变量 threshold 代表二值化阈值，阈值设置为 80。

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()

原来验证码中的线条已经去除，整个验证码变得黑白分明。这时重新识别验证码

import tesserocr
from PIL import Image

image = Image.open('code2.jpg')

image = image.convert('L')
threshold = 127
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)

image = image.point(table, '1')
result = tesserocr.image_to_text(image)
print(result)

利用专业打码平台识别验证码

日常爬虫工作中，会遇到目标网站有图片验证码的反爬机制，除了手工配置识别图片外，为了提高效率，可以通过专业的打码平台来验证图片。这里用阿里云平台作为例子：

在阿里云市场有很多专业打码商品

https://market.aliyun.com/products/?keywords=%E5%9B%BE%E7%89%87%E8%AF%86%E5%88%AB%E9%AA%8C%E8%AF%81%E7%A0%81

选购成功后，记下你的AppCode

接下来开发代码逻辑：

import urllib.request
import ssl

#修改API说明修改接口地址
url = 'https://imgurlocr.market.alicloudapi.com/urlimages'
method = 'POST'
appcode = '你的AppCode'
querys = ''
bodys = {}


bodys['image'] = '''https://fegine-drug.oss-cn-shanghai.aliyuncs.com/image/urlimage.png'''
post_data = urllib.parse.urlencode(bodys).encode(encoding='UTF8')
request = urllib.request.Request(url, post_data)
#根据API的要求，定义相对应的Content-Type
request.add_header('Content-Type', 'application/x-www-form-urlencoded; charset=UTF-8')
request.add_header('Authorization', 'APPCODE ' + appcode)
ctx = ssl.create_default_context()
ctx.check_hostname = False
ctx.verify_mode = ssl.CERT_NONE
response = urllib.request.urlopen(request, context=ctx)

content = response.read()
if (content):
    print(content.decode('UTF-8'))

返回结果：

{
  "code": "1",
  "msg": "查询成功",
  "result_num": 1,
  "result": [
    {
      "words": "给我跪下唱征服"
    }
  ]
}