[Python3网络爬虫开发实战] 图形验证码的识别

本节我们首先来尝试识别最简单的一种验证码，图形验证码，这种验证码出现的最早，现在也很常见，一般是四位字母或者数字组成的，例如中国知网的注册页面就有类似的验证码，链接为：http://my.cnki.net/elibregister/commonRegister.aspx，页面如图 8-1 所示：

图 8-1 知网注册页面

表单的最后一项就是图形验证码，我们必须完全输入正确图中的字符才可以完成注册。

1. 本节目标
   本节我们就以知网的验证码为例，讲解一下利用 OCR 技术识别此种图形验证码的方法。

2. 准备工作
   识别图形验证码需要的库有 Tesserocr，如果没有安装可以参考第一章的安装说明。

3. 获取验证码
   为了便于实验，我们先将验证码的图片保存到本地，以供测试。

打开开发者工具，找到验证码元素，可以看到这是一张图片，它的 src 属性是 CheckCode.aspx，在这里我们直接将这个链接打开：http://my.cnki.net/elibregister/CheckCode.aspx，就可以看到一个验证码，直接右键保存下来即可，将名称命名为 code.jpg，如图 8-2 所示：

图 8-2 验证码

这样我们就可以得到一张验证码图片供下面测试识别使用了。

4. 识别测试
   接下来我们新建一个项目，将验证码图片放到项目根目录下，用 Tesserocr 库来识别一下该验证码试试，代码如下：

import tesserocr
from PIL import Image
 
image = Image.open('code.jpg')
result = tes