利用Tesseract识别58同城图片式手机号码

Posted 2020-08-27

58同城上的手机号码大多数是图片格式，目的也是防止爬虫软件抓取，但作为一个专门开发爬虫的程序猿，必须拿下它才能安心，否则睡觉做梦也会想着该怎么破这该死的图片号码的！

这里我们利用Google的开源项目：Tesseract-ocr（项目地址：https://github.com/tesseract-ocr）

其实，Tesseract的网上的教程其实有很多，关于它的介绍，我在这里就不说了，直接讲重点！

先是要初始化Tesseract，这里我们用默认的识别库，根据58同城号码图片的特点，我们这样初始化下：

//程序里需要引用：Tesseract.dll以及程序根目录下要有tessdata\\eng.traineddata的识别库文件

Tesseract.TesseractEngine te = new TesseractEngine(Application.StartupPath + "\\tessdata", "eng", EngineMode.Default);//初始化,这里利用默认的识别库

te.SetVariable("tessedit_char_whitelist", "0123456789");//设置识别的字符白名单

te.DefaultPageSegMode = PageSegMode.SingleLine;//设置识别模式为单行模式

注意的是.NET版本貌似必须3.5及以上，否则Tesseract初始化总是不通过。此问题之前困扰了我好久。

首先我们拿到58同城上的图片号码地址如下：

http://image.58.com/showphone.aspx?t=v55&v=6E0C227B5A963FC4VD7B70A4FC12D1D01

下载获取得到下面的图片：

先对图片进行二值化算法（就是变成只有黑白的算法，搜索引擎一搜一堆）得到下面的图片：

这种单色的图片对于OCR引擎来说就友好多了，识别算法：

我们设定一个Bitmap类型变量bTelImg存储这个二值化后的号码图片，String类型sTelNumber用来存数识别结果，利用下面的算法得到识别结果：

Page PG = te.Process(PixConverter.ToPix(bTelImg), PageSegMode.SingleLine);

sTelNumber= KeyReplace(PG.GetText());

识别下：

额... 一万只草泥马奔腾而过，错这么多咋办？难道要用Tesseract的高级训练算法训练个自己的库出来？都说简单识别了，别搞那么复杂好不好，我好懒的！

其实58上这个图片是动态生成的，所以每次访问得到的图片都不一样，包括号码间隔等。第一次下载的图片因为字符图片粘连的问题，导致识别结果不正确，我们对同样的地址再下载一次图片：

二值化：

识别：

哈哈，终于对了！
证明这个免费的OCR引擎直接下载下来不用复杂的训练还是有效的，下面我们在不改变识别算法的前提下，提高识别率（毕竟对于这种纯数字的图片，想OCR的识别率高，只能训练或者写专门的OCR引擎了）

因为第一次识别结果错了，第二次再下载图片，结果却对了。所以我们可以从识别结果下手，不对我们就重新下载图片，再次识别，直到正确或者设定个阀值，达到阀值，不正确我也没办法了！免费的只能这样了！

因为这里我们识别的是手机号码，所以知道手机号码的规律，我们再对结果进行判断，就可以初步判定结果的争取性了！

1. 手机号码必须为11位纯数字（因为我们设置的白名单是纯数字，所以保证结果是11位就可以了）

2. 手机号码必须为13，15，18开头的（这个能排除一大部分错误了）

嗯，差不多这两条结果规则可以有效提高识别率了。算法我这里就不写了，是个程序猿都会吧？

至此，一个简单的58 的手机号码图片就完成了。其他诸如电话号码，简单字符验证码，原理也差不多。希望能给初学者一点帮助，后面有机会再和大家讲讲更高级的OCR识别方法。