python爬虫图形验证码识别软件,【Python】爬虫：图形验证码识别（一）

【Python】爬虫：图形验证码识别(一)

一， tesseract 安装，以及相关库安装

对于安装的过程，百度一下就会有很多，这里就记录下自己安装时觉得还有注意的几点

1，tesseract 安装时，因为下载很多语言包，而且估计服务器在国外，链接会断开。

2，最好使用wheel的方式，https://github.com/simonflueckiger/tesserocr-windows_build/releases。

3，将tesseract安装目录中的tessdata复制到python路径下。

二， demo

使用的验证码是从中国知网下载的验证码，先下载了100张验证码。

import requests

from lxml import etree

import time

import os

rootPath = 'e:\\yanzheng'

URL = 'http://my.cnki.net/elibregister/commonRegister.aspx#'

headers = {

'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'

}

def download_img(num):

filename = os.path.join(rootPath,str(num)+'.png')

response = requests.get(URL,headers = headers)

if response.status_code == 200:

content = response.text

html = etree.HTML(content)

img_url = 'http://my.cnki.net/elibregister/' + html.xpath('//*[@id="checkcode"]/@src')[0]

html_img = requests.get(img_url)

with open(filename, 'wb') as fd:

fd.write(html_img.content)

if __name__ == '__main__':

for i in range(1,101):

download_img(i)

time.sleep(3)

下载后，人工对每张验证码进行标注，将结果保存为文件名。

标注好后，随机用一张进行测试。

def binarizing(img,threshold): #二值化。i参数 灰度图，阈值

pixdata = img.load()

w, h = img.size

for y in range(h):

for x in range(w):

if pixdata[x, y] < threshold:

pixdata[x, y] = 0

else:

pixdata[x, y] = 255

return img

img_path = 'E:\\yanzheng\\3gA2.png'

image = Image.open(img_path) # 打开图片文件

imgry = image.convert('L') # 转化为灰度图

img = binarizing(imgry,130) #二值化

# img = cut_noise(img)

text = tesserocr.image_to_text(img) # tesserocr.识别图片内容

result = re.findall(r'[\w]+',text) #正则匹配验证码。

img.show()

print(result)

得到的结果与人工标注的一致。

接下来一口气识别100张，看下正确率能达到多少？验证码一般可以忽略大小写，这里也设置忽略大小写。

def binarizing(img,threshold): # #二值化。i参数 灰度图，阈值

pixdata = img.load()

w, h = img.size

for y in range(h):

for x in range(w):

if pixdata[x, y] < threshold:

pixdata[x, y] = 0

else:

pixdata[x, y] = 255

return img

def Compute_Correct_Rate(Correct,Recognition): #计算正确率，打印识别错误的

Correct_num = 0

for i in range(len(Correct)):

if Correct[i].lower() == Recognition[i].lower():

Correct_num+=1

else:

print('{} is Wrong,result is {}'.format(Recognition[i],Correct[i]))

print('the Correct Rate is ',Correct_num/len(Correct))

def process_img():

Correct_result = []

Recognition_result = []

for root,dirs,files in os.walk(rootPath): #遍历整个文件夹，识别所有图片

for file in files:

filepath = os.path.join(rootPath, file)

image = Image.open(filepath) # 打开图片文件

imgry = image.convert('L') # 转化为灰度图

img = binarizing(imgry, 130)

text = tesserocr.image_to_text(img)

match = re.findall(r'[\w]+', text)

if len(match) != 0:

r_result = ''.join(match)

else:

r_result = ''

c_result = os.path.splitext(file)[0]

Correct_result.append(c_result)

Recognition_result.append(r_result)

Compute_Correct_Rate(Correct_result, Recognition_result)

if __name__ == '__main__':

process_img()

识别正确率有41%

正确率并不高，后面继续研究如何提高识别的正确率！