使用tesseract和Pillow简单识别验证码

Web

楔子

之前的爬虫总是被验证码卡住，无论是爬某数据，还是爆破某东西，有了验证码貌似就GG,发现了一个不错的库很简答的识别简单的验证码，就是安装不能直接pip安装

一、win10安装tesseract

Github地址,找了半天没找到在哪下win10安装包，orz
备用一个下载地址，下载一个就行比如tesseract-ocr-setup-3.05.01.exe，然后安装
之后需要配置环境变量（和jdk，python一样），具体就是\tesseract\Tesseract-OCR,在终端输入tesseract为↓

二、安装python相关的包

1
2
pip install pytesseract
pip install pillow

有个很恶心的地方，感觉之前的crypto包也有类似的问题
在\python3\Lib\site-packages\pytesseract中的pytesseract.py第三十五行

1
2
3
tesseract_cmd = '{你自己tesseract安装的目录}'
比如我的↓
tesseract_cmd = 'C:/tesseract/Tesseract-OCR/tesseract'

三、简单介绍一下验证码种类

1）图形验证码
图形验证码应该是最简单的一种验证码，这种验证码是最早出现，也是目前最常见的，一般组成规则是4个字母或数字或混合组成;比如某校的某站

2）滑动验证码
就是滑动拼图吧，比如哔哩哔哩
3）点触验证码
国外网站居多

三、最简单的车

这是最简单的一类验证码

有了之前的的安装，这样的验证码就很简单

1
2
3
4
5
6
# -*- coding: UTF-8 -*_
from PIL import Image
from pytesseract import *

im = Image.open('1.jpg')
print(pytesseract.image_to_string(im));

四、优化程序，排除干扰

很多地方的验证码是有干扰的比如中间多一根横线，比如某教务处

首先可以灰度和二值化处理

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
#!usr/bin/env python
# coding:utf-8

from pytesseract import *
from PIL import Image

image = Image.open("4.jpg")
image = image.convert('L')  #转化为灰度图
threshold = 127             #设定的二值化阈值
table = []                  #table是设定的一个表，下面的for循环可以理解为一个规则，小于阈值的，就设定为0，大于阈值的，就设定为1
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)

image = image.point(table,'1')  #对灰度图进行二值化处理，按照table的规则（也就是上面的for循环）
result = pytesseract.image_to_string(image) #对去噪后的图片进行识别
print(result)

很可惜上面脚本上不了教务处
下面的正在魔改中。。。ing 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
import os
import pytesseract
from PIL import Image
from collections import defaultdict

# tesseract.exe所在的文件路径

# 获取图片中像素点数量最多的像素
def get_threshold(image):
    pixel_dict = defaultdict(int)

    # 像素及该像素出现次数的字典
    rows, cols = image.size
    for i in range(rows):
        for j in range(cols):
            pixel = image.getpixel((i, j))
            pixel_dict[pixel] += 1

    count_max = max(pixel_dict.values()) # 获取像素出现出多的次数
    pixel_dict_reverse = {v:k for k,v in pixel_dict.items()}
    threshold = pixel_dict_reverse[count_max] # 获取出现次数最多的像素点

    return threshold

# 按照阈值进行二值化处理
# threshold: 像素阈值
def get_bin_table(threshold):
    # 获取灰度转二值的映射table
    table = []
    for i in range(256):
        rate = 0.1 # 在threshold的适当范围内进行处理
        if threshold*(1-rate)<= i <= threshold*(1+rate):
            table.append(1)
        else:
            table.append(0)
    return table

# 去掉二值化处理后的图片中的噪声点
def cut_noise(image):

    rows, cols = image.size # 图片的宽度和高度
    change_pos = [] # 记录噪声点位置

    # 遍历图片中的每个点，除掉边缘
    for i in range(1, rows-1):
        for j in range(1, cols-1):
            # pixel_set用来记录该店附近的黑色像素的数量
            pixel_set = []
            # 取该点的邻域为以该点为中心的九宫格
            for m in range(i-1, i+2):
                for n in range(j-1, j+2):
                    if image.getpixel((m, n)) != 1: # 1为白色,0位黑色
                        pixel_set.append(image.getpixel((m, n)))

            # 如果该位置的九宫内的黑色数量小于等于4，则判断为噪声
            if len(pixel_set) <= 4:
                change_pos.append((i,j))

    # 对相应位置进行像素修改，将噪声处的像素置为1（白色）
    for pos in change_pos:
        image.putpixel(pos, 1)

    return image # 返回修改后的图片

# 识别图片中的数字加字母
# 传入参数为图片路径，返回结果为：识别结果
def OCR_lmj(img_path):

    image = Image.open(img_path) # 打开图片文件
    imgry = image.convert('L')  # 转化为灰度图

    # 获取图片中的出现次数最多的像素，即为该图片的背景
    max_pixel = get_threshold(imgry)

    # 将图片进行二值化处理
    table = get_bin_table(threshold=max_pixel)
    out = imgry.point(table, '1')

    # 去掉图片中的噪声（孤立点）
    out = cut_noise(out)

    #保存图片
    # out.save('E://figures/img_gray.jpg')

    # 仅识别图片中的数字
    #text = pytesseract.image_to_string(out, config='digits')
    # 识别图片中的数字和字母
    text = pytesseract.image_to_string(out)

    # 去掉识别结果中的特殊字符
    exclude_char_list = ' .:\\|\'\"?![],()~@#$%^&*_+-={};<>/¥'
    text = ''.join([x for x in text if x not in exclude_char_list])
    print(text)

    return text

OCR_lmj("2.jpg")

解析中文

1
2
3
4
5
6
https://github.com/tesseract-ocr/tessdata/blob/main/chi_sim.traineddata
# -*- coding: UTF-8 -*_
from PIL import Image
from pytesseract import *
im = Image.open('1.jpg')
print(pytesseract.image_to_string(im,lang='chi_sim'));