由于学校教务系统更新,登录网页新增验证码,成了Python爬虫的阻碍。使用tessert-ocr可以对简单的验证码进行识别。由于tessert-ocr只能对黑白图片进行识别,由于需要识别的图片没有噪声,所以我们暂时不需要对噪声进行处理,我们首先需要对图片进行灰度化,在进行二值化,最后用tessert-ocr进行识别。
import PIL
import pytesseract
pytesseract.pytesseract.tesseract_cmd='C:\Program Files (x86)\Tesseract-OCR\\tesseract.exe'#tesseract-ocr安装目录
file=input("文件路径:")
img = PIL.Image.open(file)
Img = img.convert('L')# 模式L为灰色图像
Img.save("L.jpg")
mid= 200 # 定义灰度界限
table = []
for i in range(256):
if i < mid:
table.append(0)
else:
table.append(1)
photo = Img.point(table, '1')
photo.save("last.jpg")
filepath='last.jpg'
str=pytesseract.image_to_string(PIL.Image.open(filepath),lang='eng') #eng为英文
print(str)
tessert-ocr识别存在误差,所以如果字体不是特别标准,可能会出现识别不出或者错误的情况。
运行结果:
tessert-ocr:https://pan.baidu.com/s/1Wm7EJ4g3D4suY0fDVOJkUA 提取码:i32x