OCR技术识别图形验证码以模拟登录（Python）

一、原理：

OCR(Optical CHaracter Recognition，光学字符识别)，是使用电子设备检查打印在纸上的字符，通过检查明、暗的模式来确定字符形状，然后将其转换成计算机文字。
特点：简便易上手，支持多国语言
不足：准确率不是特别理想

二、准备工作

1. 安装tesserocr库

tesserocr库的安装相对来说没有那么简单。本人推荐的方法是下载对应python版本的whl文件，放至python安装的根目录下（若是Anaconda的环境下则放在Anaconda的根目录下即可），在cmd中输入

pip install D:\python\tesserocr-2.4.0-cp37-cp37m-win_amd64.whl

（若是Anaconda的环境下则在Anaconda Prompt下运行命令）

2. 安装必要的其他库

还需安装Selenium、NumPy、Pillow、retrying库
pip直接安装即可

3. 保存验证码图片

主要步骤：

• 通过CSS选择器选择网页中验证码图片所在的元素：

capcha = browser.find_element_by_css_selector('#captcha')

• 缓存图片数据

from io import BytesIO

image_data = BytesIO(capcha.screenshot_as_png)

• 创建Image对象，将图片数据引入程序中

image = Image.open(image_data)

三、识别过程

3. 去除干扰信息，过滤干扰点

主要步骤：

• 图片类型转换，一般转换为灰度图像：

image = image.convert('L')

• 设置灰度阈值（60），目的是将灰度大于阈值的像素点的灰度设为255，低于阈值的像素点的灰度设为0.即做两极化处理

threshold = 60

• 将图片转换为NumPy数组，数组中的每个元素代表相应像素的灰度值。并应用NumPy的where方法对数组进行筛选和处理

import numpy as np```

```python
array = np.array(image)
array = np.where(arrya > thershold , 255 , 0)
image = Image.fromarray(array.astype('uint8'))
image.show()

• 对处理后的图片使用tesserocr库识别

print(tesserocr.image_to_text(image))

• 最后用CSS选择器识别要输入验证码的表单元素和提交数据的元素，用Selenium的自动化测试工具填入数据和点击登录按钮

四、一些建议

由于识别验证码图片有出错的概率，建议将：“抓取图片 - 处理图片 - 识别图片 - 输出结果 - 登录 ”这一过程封装为函数，并在设置循环条件，以在登录失败后再次识别新的图片。
可行的办法：

@retry(stop_max_attempt_number = 10, retry on result=lambda x: x is False)
#条件是：登录失败后，前文封装的函数返回值为False