Python爬虫：简单的图片验证码识别

前言

目前，许多网站采取各种各样的措施来反爬虫，其中一个措施便是使用验证码。随着技术的发展，验证码的花样越来越多。验证码由最初的几个数字组合的简单的图形验证码，后来加入了英文字母和混淆曲线。有的网站还可以看到中文字符的验证码，这使得识别愈发困难。

现在交互式验证码越来越多，如滑动验证码，需要滑动拼合滑块才可以完成验证，点触验证码需要完全点击正确的结果才可以完成验证，另外还有滑动宫格验证码、计算题验证码等等。

验证码变得越来越复杂，爬虫的工作也变得愈发困难。有时候我们必须通过验证码的验证才能访问页面。

本次分享的知识就是教会大家验证码的识别做讲解。

图片验证码的识别

我们首先做最简单的一种验证码，即图形验证码。这种验证码出现的最早，现在也很常见，一般由4位字母或数字组成。

举个简单的例子，中国知网的注册页面就有类似的验证码。网页链接如下：

https://my.cnki.net/Register/CommonRegister.aspx

表单的最后一项就是图形验证码，我们必须完全正确的输入图中的字符才可以完成注册。

准备工作

识别图形需要用到库：tesserocr。

在爬虫过程中，难免会遇到各种各样的验证码，有些验证码就是图形验证码，这个时候我们可以直接使用OCR来识别。

1、OCR

0CR，即Opticla Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图片验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。

tesserocr是Python一个OCR识别库，但其实对于一个tesseract做的一层Python API封装，所以它的核心是tesseract。因此，在安装tesserocr之前，我们需要先安装tesseract。

下载链接如下：

https://digi.bib.uni-mannheim.de/tesseract/

这里可以选择下载5.0的版本，下载之后安装方式还是比较简单的，直接下一步即可。

安装完毕之后将安装目录下的testdata文件复制到Python安装目录下，具体如下图所示：

接下来，再安装tessercor即可，此时可以使用pip进行安装：