Python 爬虫新手教程：破解验证码技术，识别率高达百分之80！

本文将具体介绍如何在Python中利用Tesseract软件来识别验证码（数字加字母）。

我们在网上浏览网页或注册账号时，会经常遇到验证码（CAPTCHA）,如下图：

 

 

 

 

 

本文将具体介绍如何利用Python的图像处理模块pillow和OCR模块pytesseract来识别上述验证码（数字加字母）。

Python资源共享群：484031800

我们识别上述验证码的算法过程如下：

1. 将原图像进行灰度处理，转化为灰度图像；
2. 获取图片中像素点数量最多的像素（此为图片背景），将该像素作为阈值进行二值化处理，将灰度图像转化为黑白图像（用来提高识别的准确率）；
3. 去掉黑白图像中的噪声，噪声定义为：以该点为中心的九宫格的黑点的数量小于等于4；
4. 利用pytesseract模块识别，去掉识别结果中的特殊字符，获得识别结果。

我们的图片如下（共66张图片）：

 

 

 

 

 

完整的Python代码如下：

import os
import pytesseract
from PIL import Image
from collections import defaultdict
# tesseract.exe所在的文件路径
pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe'
# 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_di