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。