爬虫学习笔记--识别验证码

在爬虫过程中 有些登陆 会遇到验证码

这里可以使用PIL、pytesser、tesseract

参考这篇文章

http://blog.csdn.net/evankaka/article/details/49533493

但是有些工具就不要用这篇文章推荐的了 要很多积分

pytesseract 可以使用pip 下载 

至于tesseract可以用官网的资源

https://sourceforge.net/projects/tesseract-ocr-alt/files/

那个.exe文件结尾的就是

from PIL import Image
import pytesseract
im = Image.open('tupian2.jpg')
gray = im.convert('L')
gray.show()

threshold = 150
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
out = gray.point(table,'1')
out.show()
out.save("tupian_thresholded.png")

选一个验证码的图片 用上面的方法降噪

import pytesseract
from PIL import Image
th = Image.open('tupian_thresholded.png')
print(pytesseract.image_to_string(th))

用这个方法得到输出

这里编译会出一些问题 把刚刚下载的

tesseract-ocr-setup-3.02.02.exe

安装 把 里面的tesseract.exe和tessdata复制到当前工程同一目录下就好了

 但是我测试后觉得 这个库得到的效果一般 有一些图片会识别错误的

还是供大家参考