利用Python爬虫续借图书（三）：自动识别验证码

手工识别还是有点麻烦，尝试一下Tesseract-OSR，windows直接下载，其他版本在官网wiki上有。安装路径如果直接用默认的比较省事，我安到了D盘。win+X打开命令行，输入tesseract，如果提示”不是内部或外部命令，也不是可运行的程序或批处理文件“，需要在环境变量里为Path添加tesseract的安装路径，具体如图：

设置成功后，我们可以试用一下，在网上随便拉一个验证码也可以自己画一个，在验证码图片目录shift+右键 打开命令行/powershell，输入

tesseract xxx output

xxx为图片文件名，然后在目录下的output.txt可以看到识别结果

可以看到识别率75%还是不错的，但是显然还没达到我们的要求，那么我们就要用到tesseract的学习功能了，听说它利用了卷积神经网络技术，不懂。。

学习功能当然需要大量样本，这里我们需求不大，100个足够了。学习的结果肯定和样本质量和数量有很大关系，那么从哪里找样本能保证质量也能保证数量呢，我们这里直接从我们要识别的验证码拿就是了，这是一个获取验证码的小脚本

from PIL import Image
from io import BytesIO
import requests

err = 0

for i in range(1,100):
    session = requests.session()
    res = session.get('http://opac.lib.ustc.edu.cn/reader/captcha.php')
    
    try:
        image = Image.open(BytesIO(res.content))
        image = image.convert('RGB')
        image.save('D:/trainimg/%d.tif' % i)
        print('%d/100 done!'%i)
    except:
        print('something error!')
        err+=1

print(&