python 爬虫登陆学校教务系统之验证码识别

在网上看了下，验证码识别的内容，发现基本有两种思路，一是利用ocr，这方面有google的开源库tesseract-ocr，另一种是利用机器学习，抓取大量图片，经过处理，得到单个字符的training-data来进行匹配识别，本质上是一种方法，不过tesseract-ocr帮我们做好了training-data，我们只需要调用就好了，当然，google文档里写到我们也可以自定义的向tesseract-ocr中添加training-data。

观察安装好后的Tesseract-OCR文件夹，发现其最主要的部分就是tessdata。

chi_sim.traineddata就是简体中文的traineddata.

以utf8编码格式打开，可以看到

汉字出现了，但是里面的数字，我还是不知道是什么，应该是汉字的特征，具体什么特征，我就不知道了，知道的可以说下。

在对验证码识别之前，做了一个二值滤波处理，将颜色图案去除，这样可以提高识别率。

class Login():
    def __init__(self):
        self.cookies = {}
        self.headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:46.0) Gecko/20100101 Firefox/46.0'
}
        self.threshold = 130
        self.table = []
        for i in range(256):
            if i < self.threshold:
                self.table.append(0)
            else:
                self.table.append(1)
                
    def get_code(self):
        url = 'http://172.18.1.77:9002/validateCodeAction.do?random=0.5'
        resp = requests.get(url, headers=self.headers)
        self.cookies['JSESSIONID'] = resp.cookies.get('JSESSIONID')
        with open('code.jpg', 'wb') as img:
            img.write(resp.content)
        return 'code.jpg'
        
    def imagefilter(self,image):
        im = Image.open(image)
        imgry = im.convert('L')
        imgry.save('g.jpg')
        out = imgry.point(self.table,'1')
        out.save('b.jpg')
        return 'b.jpg'
    
    def image_to_string(self,img, plus=''):
        output_txt = r'output10'
        self.mProcess = subprocess.Popen('tesseract.exe ' + img + ' ' + output_txt + ' ' + plus, shell = True)

这时，使用subprocess调用的底层的tesseract命令，这个地方要注意子进程的执行时间问题。