使用Tesseract OCR识别简单的验证码

使用Tesseract OCR识别简单的验证码

在爬虫模拟登陆时，会遇到验证码这个障碍，如果网站使用的是很简单的验证码，可以使用OCR（Optical Character Recording，光学字符识别）从图像中抽取文本。

1.环境搭建

1.下载Tesseract

https://github.com/tesseract-ocr/tesseract

2.安装Python支持的OCR库

pip install pytesseract
pip install pillow

pytesseract是Tesseract的识别库；pillow是pytesseract的依赖库（PIL的分支版本）

3.关联tesseract-OCR

打开pytesseract.py源文件，一般目录在./lib/site-packages/pytesseract，找到如下代码

tesseract_cmd = 'tesseract'

将其指向到Tesseract OCR的tesseract.exe，我这里是

tesseract_cmd = r'D:\tesseract-OCR\tesseract.exe'

2.OCR识别图片

1.简单图片

对于只有文本的图片来说，直接使用tesseract的图像字符串转化函数。如：

from PIL import Image
import pytesseract
img =   Image.open("1234.png")
print(pytesseract.image_to_string(img))

输出如下:

可以看到成功抽取。

2.较复杂的验证码图片

含有较少的背景噪点或干扰文本的图片，如下图

使用上文代码抽取文本时，返回空字符串，说明抽取文本失败，这是因为图像中的背景对文本产生了干扰，此时需要去除背景的干扰，只保留文本部分。从上图看出，背景颜色比文本颜色明亮许多，只有验证码文本是黑色的，所以可以通过检测像素是否为黑色将文本分离出来，这里通过pillow实现该过程。

from PIL import Image
import pytesseract
img =   Image.open("1234.png")
gray = img.convert("L")#转换图像模式，L表示灰色图像，可以设置0~255之间的值，0表示黑，255表示白
gray.save('gray.png')

text = gray.point(lambda x:0 if x<1 else 255,"1")#将阈值小于1的像素都设为0.其余设为255
text.save("text.png")
print(pytesseract.image_to_string(text))#就可以正确提取验证码了

使用OCR抽取简单的数字很容易，但是对于更加复杂的验证码图片，比如文本倾斜或者噪点很多的验证码，OCR的识别准确率很低，此时可以选择第三方平台或者使用其他方法绕过验证码