机器学习之验证码识别

项目背景：

之所以做这个其实很久就有这个想法了，因为搞爬虫有大半年了，怕热很多网站，也模拟登陆了许多网站，包括知乎微博等，但是有个问题是，当我们遇到验证码的时候，就需要人工打验证码了，特别是用selenium登录新浪手机端的时候，每次都需要人为打验证码，感觉还不够全自动。所以就有了这个摸索。

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

第一步：（爬取验证码）

我们首先需要获取足够的验证码样本，因为从简单做起，所以本次的验证码都是由数字组成且都比较规则；http://smart.gzeis.edu.cn:8081/Content/AuthCode.aspx

#-*- coding:utf-8 -*-
import requests
import time

# 文件下载，主要下载训练集
def download_pics(pic_name):

	url = 'http://smart.gzeis.edu.cn:8081/Content/AuthCode.aspx'
	res = requests.get(url,stream=True)

	with open(u'J:/数据分析学习/python/机器学习之验证码识别/pics/%s.jpg'%(pic_name),'wb') as f:
		for chunk in res.iter_content(chunk_size=1024):
			if chunk:
				f.write(chunk)
				f.flush()
		f.close()

if __name__ == '__main__':
	for i in xrange(100):
		pic_name = int(time.time()*1000000)
		download_pics(pic_name)

第二步：（切割验证码）

因为每个验证码是4个数字组成，我的思路是把验证码切割成四个，然后逐一识别，这样的准确率应该比较高一些；这里值得一提的就是：切割图片的参数（通过PS可以看到相隔的像素值，然后可以推算出一个公式）、将图片二值化，把图片变成黑白图片、我们需要读取某个文件夹下的所有图片，然后保存下来。

# -*- coding: utf-8 -*-

from PIL import Image,ImageEnhance
from PIL import *
import time
# 图片切割
def segment(im):
	s = 12
	w = 40
	h = 81
	t = 0
	im_new = []

	for i in range(4):
		im1 = im.crop((s+w*i,t,s+w*(