爬虫-图形验证码识别

最新推荐文章于 2024-08-08 11:44:29 发布

zjb5599

最新推荐文章于 2024-08-08 11:44:29 发布

阅读量324

点赞数 1

分类专栏：爬虫

本文链接：https://blog.csdn.net/zjb5599/article/details/106601821

版权

爬虫专栏收录该内容

14 篇文章 0 订阅

订阅专栏

本文详细介绍了Tesseract OCR库的安装与使用方法，包括在Windows系统下的配置过程及环境变量设置。通过实例演示了如何利用Python调用Tesseract进行图像文字识别，特别针对图形验证码的处理，并提供了使用打码云平台解决复杂验证码的代码示例。

摘要由CSDN通过智能技术生成

1. Tesseract安装以及简介

阻碍我们爬⾍的。有时候正是在登录或者请求⼀些数据时候的图形验证码。因此这⾥我们讲解⼀种能将图⽚翻译成⽂字的技术。将图⽚翻译成⽂字⼀般被称为光学⽂字识别（Optical Character Recognition），简写为OCR。实现 OCR的库不是很多，特别是开源的。因为这块存在⼀定的技术壁垒（需要⼤量的数据、算法、机器学习、深度学习知识等），并且如果做好了具有很⾼的商业价值。因此开源的⽐较少。这⾥介绍⼀个⽐较优秀的图像识别开源库： Tesseract。 Tesseract是⼀个将图像翻译成⽂字的
OCR(光学⽂字识别,Optical Character Recognition),⽬前由⾕歌赞助。Tesseract是⽬前公认最优秀、最准确的开源OCR库。Tesseract具有很⾼的识别度，也具有很⾼的灵活性，他可以通过训练识别任何字体。
Windows系统安装在以下链接下载可执⾏⽂件https://github.com/tesseract-ocr/
在Python中调⽤Tesseract:
pip install pytesseract

设置环境变量
安装完成后，如果想要在命令⾏中使⽤Tesseract，那么应该设置环境变量。 Mac和Linux在安装的时候就默认已经设置好了。在Windows下把 tesseract.exe所在的路径添加到PATH环境变量中。还有⼀个环境变量需要设置的是，要把训练的数据⽂件路径也放到环境变量中。在环境变量中，添加⼀个
TESSDATA_PREFIX=C:\Program Files (x86)\Tesseract-OCR\tessdata
进⼊cmd输⼊下⾯的命令查看版本，正常运⾏则安装成功
tesseract --version
在命令⾏中使⽤tesserac
t tesseract 图⽚路径⽂件路径
tesseract demo.png a
识别中⽂图像,需要下载语⾔安装包 URL地址：https://github.com/tesseract-ocr/tessdat

2. 在代码中使⽤tesseract识别图像

import pytesseract 
from PIL import Image
pytesseract.pytesseract.tesseract_cmd = r'D:\Tesseract-OCR\tesseract. exe'
tessdata_dir_config = r'--tessdata-dir "D:\Tesseract-OCR\tessdata"'
image = Image.open('demo.png') print(pytesseract.image_to_string(image, lang='eng', config=tessdata _dir_config))

3. ⽤pytesseract处理图形验证码

验证码URL：https://passport.lagou.com/vcode/create? from=register&refresh=1513081451891

4. 打码云平台

import json
import requests 
import base64
from io import BytesIO
from PIL import Image
from sys import version_inf
def base64_api(uname, pwd, img):
  img = img.convert('RGB')
  buffered = BytesIO()
  img.save(buffered, format="JPEG")
  if version_info.major >= 3:
   b64 = str(base64.b64encode(buffered.getvalue()), encoding='u tf-8') 
  else: 
   b64 = str(base64.b64encode(buffered.getvalue()))
 data = {"username": uname, "password": pwd, "image": b64}
 result =      json.loads(requests.post("http://api.ttshitu.com/base6 4", json=data).text) 
 if result['success']:
   return result["data"]["result"]
 else: 
   return result["message"]
 return ""
if __name__ == "__main__": 
  img_path = "captcha.png" 
  img = Image.open(img_path)
  result = base64_api(uname='', pwd='', img=img) 
  print(result)