用Python识别简单验证码

前言闲扯

标题虽然是识别验证码，但实际上本文讲的是OCR（Optical Character Recognition，光学字符识别）。
用到三个模块：

• PIL
• tesseract-oc
• pytesseract

简单介绍下：
1. PIL （Python Imaging Library）是 Python 中最常用的图像处理库；
2. tesseract-oc是HP的一个文字识别项目，后来交给google做了开源；
3. pytesseract是基于tesseract-oc的python封装。

识别

pytesseract的使用十分简单，当然tesseract-oc本身的命令行调用也很简单，基于它的封装用起来也只有一行代码：

from PIL import Image
import pytesseract

im = Image.open("captcha.jpg")
vcode = pytesseract.image_to_string(im)
print(vcode)

运行后不出意外会报错：FileNotFoundError: [WinError 2] 系统找不到指定的文件
方法1: 将tesseract.exe的安装目录添加到PATH环境变量中；
方法2: 修改pytesseract.py文件，指定tesseract.exe安装路径tesseract_cmd = 'D:\\Tesseract-OCR\\tesseract；
方法3: 在实际运行代码中指定pytesseract.pytesseract.tesseract_cmd = 'D:\\Tesseract-OCR\\tesseract.exe'。

当你觉得万事俱备，信心满满再次运行代码后，它报了另外一个错：
pytesseract.pytesseract.TesseractError: (1, 'Error opening data file \\Tesseract-OCR\\tessdata/eng.traineddata')
方法1: 将/tesseract-ocr/tessdata目录添加到TESSDATA_PREFIX环境变量中；
方法2: 指定tessdata-dir：tessdata_dir_config = '--tessdata-dir "D:\\Tesseract-OCR\\tessdata"'
所以，最后代码变成了这样：

from PIL import Image
import pytesseract

im = Image.open("captcha.jpg")
tessdata_dir_config = '--tessdata-dir "D:\\Tesseract-OCR\\tessdata"'
vcode=pytesseract.image_to_string(im,config=tessdata_dir_config)
print(vcode)

运行成功！

运行结果

我采用的验证码是来自直播平台斗鱼的举报系统，这个神奇的举报系统永远都输不对验证码，大概是斗鱼压根就不让你们举报，只是做做样子忽悠忽悠屁民罢了。
附：Request URL:https://www.douyu.com/member/report/captcha
——>{887
唔，不是很令人满意的结果。
其实，这也在情理之中。tesseract-oc是做图片文字识别的，斗鱼这个验证码带了一点噪点，识别容易出误差。实际上也没有人直接用tesseract-oc来破解验证码，一般都需要做二值化、降噪、分割的处理。这样一套流程下来，识别的成功率就会变地非常高。
就会像这样——>——>3061

后话

本来写这篇文章，是起源于在知乎看到一篇教程以及在实验楼的一个课程，用Python的基本库PIL来实现验证码的识别。实操下来因本人对图像处理的认识比较浅薄，一些颜色直方图、调色板类的概念不是特别明确，并且教程里有讨巧的成分（降噪是选取已知图片的两种颜色来做二值化）遂放弃转而直接调用第三方库。
总结来说，这是一篇工具使用篇，并没有多少python知识，就当我水了一篇吧，啊哈哈哈。
有缘我们再来讲中文识别以及字库训练，会发挥出tesseract-oc更完整强大的实力。