PIL + pytesseract 玩转验证码图片识别

有时候我们在模拟登陆的时候会遇到图片验证码，如果是简单的数字字母验证码，可以通过图片识别的方法识别验证码，再发送post请求模拟登陆。

验证码图片的爬取可以通过找到某验证码的url，通过python的requests模块get图片资源，这里不做过多介绍。

我们在本地尝试完成验证码图片的识别。本地已经安装Anaconda3，使用Python3。其下均在Anaconda环境进行操作。

1.安装PIL模块和pytesseract模块

PIL是python的一个图像处理标准库，pytesseract是免费的ocr识别库。在Anaconda Prompt中安装两个模块。

pip install PIL
pip install pytesseract

2.安装识别引擎tesseract-ocr

tesseract-ocr是OCR文字识别引擎，需要在本机进行安装。

下载后傻瓜式安装即可，这里可以将tesseract.exe加入环境变量，如不加入，后面需要修改Anaconda安装目录D:\Anaconda3\Lib\site-packages\pytesseract\pytesseract.py中的tesseract_cmd路径。

tesseract_cmd = 'D:/Tesseract-OCR/tesseract.exe'

3.图片识别

import pytesseract
from PIL import Image
import numpy as np
 
path='D:/vc_code.png'
imageObject = Image.open(path) # 传入保存的图片路径
print(imageObject)
imageObject = np.array(imageObject.convert('L'), 'f')  #图片灰度处理
result = pytesseract.image_to_string(imageObject)
print("验证码识别结果：", result)

4.中文识别

在’D:\Tesseract-OCR’路径下运行cmd，输入命令tesseract --list-langs查看支持的语言，未安装有chi_sim中文数据包，需要手动安装。下载解压后’D:\Tesseract-OCR\tessdata’目录下即可。

使用方法：

result = pytesseract.image_to_string(imageObject, lang='chi_sim')