Python 識別驗證碼

達坂城大豆 2017-12-03

展開全文

　　前言

　　相信大家利用 Python 寫的爬蟲應該遇到過要輸入驗證碼的尷尬局面，又或者寫了個自動填充表單的小程序，結(jié)果就卡在了驗證碼上。由于我也遇上過上述兩種情況，所以我在網(wǎng)上查閱資料后，打算將我查閱到的結(jié)果整理一下放在這里，順便做一個備份。

　　工具

　　Python pytesseract 庫

　　pytesseract 是對 Tesseract-OCR 的一個封裝，方便我們在 Python 中調(diào)用 Tesseract-OCR 引擎

　　Pypi Page

　　Tesseract-OCR 開源識別引擎

　　Tesseract was originally developed at Hewlett-Packard Laboratories Bristol and at Hewlett-Packard Co, Greeley Colorado between 1985 and 1994, with some more changes made in 1996 to port to Windows, and some C++izing in 1998.

　　In 2005 Tesseract was open sourced by HP. Since 2006 it is developed by Google.

　　Github Page

　　Python PIL(2.*)/Pillow(3.*) 庫

　　這兩個庫是 Python 關(guān)于圖像處理的第三方庫，其中 3.* 的版本要用 Pillow 庫

　　安裝

　　Tesseract-OCR

　　源碼編譯：可參照官方 Wiki

　　windows：安裝包可以在 Sourceforge 上下載，不過只有 3.02 版本的安裝包

　　Linux：以 Ubuntu 為例，在終端輸入 sudo apt-get tesseract-ocr 即可進行安裝

　　Mac：

　　MacPorts sudo port install tesseract

　　Homebrew brew install tesseract

　　P.S.

　　在windows上安裝時，在 Target appended to the Path 這一步耗時較久，請耐心等候。

　　安裝完成后，在命令行界面輸入 tesseract 會出現(xiàn)以下提示：

　　Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

　　pagesegmode values are:

　　0 = Orientation and script detection (OSD) only.

　　1 = Automatic page segmentation with OSD.

　　2 = Automatic page segmentation, but no OSD, or OCR

　　3 = Fully automatic page segmentation, but no OSD. (Default)

　　4 = Assume a single column of text of variable sizes.

　　5 = Assume a single uniform block of vertically aligned text.

　　6 = Assume a single uniform block of text.

　　7 = Treat the image as a single text line.

　　8 = Treat the image as a single word.

　　9 = Treat the image as a single word in a circle.

　　10 = Treat the image as a single character.

　　-l lang and/or -psm pagesegmode must occur before anyconfigfile.

　　Single options:

　　-v --version: version info

　　--list-langs: list available languages for tesseract engine

　　則說明引擎安裝成功。

　　virtualenv

　　為了將 Python 主環(huán)境隔離開來，不影響第三方庫之間的兼容性，我們可以利用 virtualenv 來搭建虛擬且獨立的python環(huán)境，可以使每個項目環(huán)境與其他項目獨立開來，保持環(huán)境的干凈，解決包沖突問題。

　　可以通過 pip 和 easy_install 進行安裝：

　　easy_install virtualenv

　　或

　　pip install virtualenv

　　詳細可參照使用virtualenv搭建獨立的Python環(huán)境

　　PIL, Pillow, pytesseract

　　這三個庫都可以通過 pip 直接安裝。

　　編程

　　首先，打開命令行或者終端，輸入以下命令：

　　virtualenv venv --no-site-packages --python=X:\xxx\python.exe

　　各參數(shù)解釋：

　　venv 虛擬環(huán)境所在位置

　　--no-site-packages 不復制主環(huán)境的庫

　　--python 指定虛擬環(huán)境的 python 版本

　　然后在命令行輸入以下命令，激活虛擬環(huán)境

　　Linux

　　cd venv

　　source ./bin/activate

　　Windows

　　cd venv

　　.\Scripts\activate

　　如果要退出虛擬環(huán)境的話則輸入

　　deactivate

　　或

　　.\Scripts\deactivate

　　安裝依賴包

　　在當前虛擬環(huán)境中輸入

　　pip install PIL

　　pip install Pillow

　　pip install pytesseract

　　安裝完成后進入python，import一下看是否安裝成功。

　　圖片處理

　　step1. 打開圖片

　　Captcha.jpg

　　from PIL import Image

　　im = Image.open('Captcha.jpg')

　　step2. 將彩色圖像轉(zhuǎn)化為灰度圖

　　im = im.convert('L')

　　轉(zhuǎn)化為灰度圖是為了減少圖片的色彩，處理起來更方便

　　step3. 降噪，圖片二值化

　　為了消除背景對文字的影響，可以通過設置一個閾值來將文字與背景分隔開來。而閾值可以參考圖片灰度的直方圖來得出，又或者試出來。

　　這里將閾值設置為 140，然后將大于閾值的像素置 1，小于閾值的置 0。

　　def initTable(threshold=140):

　　table = []

　　for i in range(256):

　　if i <>

　　table.append(0)

　　else:

　　table.append(1)

　　return table

　　再使用 im.point() 可以將灰度圖二值化，結(jié)果如下：

　　binaryImage = im.point(initTable(), '1')

　　binaryImage.show()

　　Captcha1.jpg

　　識別文本

　　可以通過 pytesseract 的 image_to_string() 函數(shù)將圖片轉(zhuǎn)化為文本，該函數(shù)還可以接受參數(shù) config，config 設置的是 Tesseract-OCR 引擎的參數(shù)，可自行查閱引擎的幫助文本。不過我們只需要用到 psm 參數(shù)，具體的 psm 參數(shù)值如下：

　　-psm N

　　Set Tesseract to only run a subset of layout analysis and assume a certain form of image. The options for N are: