pytesseract的简单验证码的识别-python

验证码一直作为识别人类和机器的工具。作为广为使用的限制机器访问的利器。识别验证码基本上有三个方案。 一：人眼识别，手动输入   二：Tesseract对简单验证码的识别。  三：半自动的云打码平台，帮你24小时识别验证码。


第一种最简单啦，只需要将验证码图片提取下来，自己手动识别就行，但是效率低下，繁琐。对于需要经常大量识别验证码的情况，更本不可取。


今天就来讲下第二种。对于简单验证码的自动识别。 基于python 3.6   ，Windows系统
所需工具： 
PIL  （python图片处理库）
pytesseract （python库，用于调用Tesseract 引擎进行验证码识别）
Tesseract-OCR （一个验证码识别引擎，google开源项目）
安装：
pip3 install pillow ( pillow 是windows下的PIL库的精简版，使用方法同PIL一样）
pip3 install pytesseract 
下载Tesseract-OCR 引擎windows安装版，网址：
http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-3.05.01dev-20170510.exe
默认选线安装即可。安装位置可自定义，假设为：H:\Program Files\Tesseract-OCR


好的，然后直接在python中就可使用了

import pytesseract
from PIL import Image


img = Image.open('C:\\Users\Administrator\Desktop\\test-european.jpg')
s = pytesseract.image_to_string(img)
print(s)

如果你自定义了安装位置，则会报错，找不到文件，解决方法如下：
 1 . 到python安装文件下找到 site-packages/pytesseract/pytesseract.py  修改里面内容:

# CHANGE THIS IF TESSERACT IS NOT IN YOUR PATH, OR IS NAMED DIFFERENTLY
# tesseract_cmd = 'tesseract'
tesseract_cmd = 'H:\Program Files\Tesseract-OCR\\tesseract.exe'

指定Tesseract 识别引擎的绝对路径。


2 . 除了Tesseract 引擎位置，还需要tessdata文件夹里的数据。自定义 tessdata文件夹路径：还是在pytesseract.py 文件中修改：

command = [tesseract_cmd, input_filename, output_filename_base]
my_env = {"TESSDATA_PREFIX":"H:\Program Files\Tesseract-OCR\\tessdata"}  #自定义的文件夹路径


if lang is not None:
command += ['-l', lang]


if boxes:
command += ['batch.nochop', 'makebox']


if config:
command += shlex.split(config)
# 将文件夹路径传递给对象，覆盖原路径
proc = subprocess.Popen(command,env=my_env , stderr=subprocess.PIPE)

OK，这样再次运行就可以得到识别后的结果，但是此引擎的只适用于简单验证码，复杂一点的验证码，可以借助PIL库进行图片处理，比如切块，去噪，二值化等等。
  但对于一些特别复杂的验证码，这个方案就没办法了。论识别率的话，最高的只有云打码平台了，毕竟也是靠人眼识别。另外，机器学习或许可以一试。