python 数字验证码识别库_Python爬虫入门教程 55-100 python爬虫高级技术之验证码篇...

最新推荐文章于 2024-08-25 02:16:59 发布

weixin_39753857

最新推荐文章于 2024-08-25 02:16:59 发布

阅读量170

点赞数

文章标签： python 数字验证码识别库

验证码探究

如果你是一个数据挖掘爱好者，那么验证码是你避免不过去的一个天坑，和各种验证码斗争，必然是你成长的一条道路，接下来的几篇文章，我会尽量的找到各种验证码，并且去尝试解决掉它，中间有些技术甚至我都没有见过，来吧，一起Coding吧

数字+字母的验证码

我随便在百度图片搜索了一个验证码，如下

今天要做的是验证码识别中最简单的一种办法，采用pytesseract解决，它属于Python当中比较简单的OCR识别库

库的安装

使用pytesseract之前，你需要通过pip 安装一下对应的模块，需要两个

pytesseract库还有图像处理的pillow库了

pip install pytesseract

pip install pillow

如果你安装了这两个库之后，编写一个识别代码，一般情况下会报下面这个错误

pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your path

这是由于你还缺少一部分内容

安装一个Tesseract-OCR软件。这个软件是由Google维护的开源的OCR软件。

选择你需要的版本进行下载即可

pillow库的基本操作

|命令|释义 | |--|:--| | open()| 打开一个图片

from PIL import Image

im = Image.open("1.png")

· 1 (1-bit pixels, black and white, stored with one pixel per byte)

· L (8-bit pixels, black and white)

· P (8-bit pixels, mapped to any other mode using a colour palette)

· RGB (3x8-bit pixels, true colour)

· RGBA (4x8-bit pixels, true colour with transparency mask)

· CMYK (4x8-bit pixels, colour separation)

· YCbCr (3x8-bit pixels, colour video format)

· I (32-bit signed integer pixels)

· F (32-bit floating point pixels) |

Filter

from PIL import Image, ImageFilter

im = Image.open(‘1.png’)

# 高斯模糊

im.filter(ImageFilter.GaussianBlur)

# 普通模糊

im.filter(ImageFilter.BLUR)

# 边缘增强

im.filter(ImageFilter.EDGE_ENHANCE)

# 找到边缘

im.filter(ImageFilter.FIND_EDGES)

# 浮雕

im.filter(ImageFilter.EMBOSS)

# 轮廓

im.filter(ImageFilter.CONTOUR)

# 锐化

im.filter(ImageFilter.SHARPEN)

# 平滑

im.filter(ImageFilter.SMOOTH)

# 细节

im.filter(ImageFilter.DETAIL)

Formatformat属性定义了图像的格式，如果图像不是从文件打开的，那么该属性值为None； size属性是一个tuple，表示图像的宽和高(单位为像素)； mode属性为表示图像的模式，常用的模式为：L为灰度图，RGB为真彩色，CMYK为pre-press图像。如果文件不能打开，则抛出IOError异常。

验证码识别

注意安装完毕，如果还是报错，请找到模块 pytesseract.py 这个文件，对这个文件进行编辑

一般这个文件在 C:\Program Files\Python36\Lib\site-packages\pytesseract\pytesseract.py 位置

文件中 tesseract_cmd = 'tesseract' 改为自己的地址

例如： tesseract_cmd = 'C:\Program Files (x86)\Tesseract-OCR\tesseract.exe'

如果报下面的BUG，请注意Error opening data file \Program Files (x86)\Tesseract-OCR\tessdata/chi_sim.traineddata Please make sure the TESSDATA_PREFIX environment variable

解决办法也比较容易，按照它的提示，表示缺失了 TESSDATA_PREFIX 这个环境变量。你只需要在系统环境变量中添加一条即可将 TESSDATA_PREFIX=C:\Program Files (x86)\Tesseract-OCR 添加环境变量

重启IDE或者重新CMD，然后继续运行代码，这个地方注意需要用管理员运行你的py脚本

步骤分为 1. 打开图片 Image.open() 2. pytesseract识别图片

import pytesseract

from PIL import Image

def main():

image = Image.open("1.jpg")

text = pytesseract.image_to_string(image,lang="chi_sim")

print(text)

if __name__ == '__main__':

main()

测试英文，数字什么的基本没有问题，中文简直惨不忍睹。空白比较大的可以识别出来。唉~不好用当然刚才那个7364 十分轻松的就识别出来了。