无论是是自动化登录还是爬虫，总绕不开验证码，这次就来谈谈python中光学识别验证码模块tesserocr和pytesseract。tesserocr和pytesseract是python的一个ocr识别库，但其实是对tesseract做的一层python api封装，pytesseract是google的tesseract-ocr引擎包装器；所以它们的核心是tesseract,因此在安装tesserocr之前，我们需要先安装tesseract。
下载安装
下载地址：https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v4.0.0.20181030.exe
下载完成后，双击安装，可以勾选additional language data(download)选项来安装ocr识别支持的语言包，但下载语言包实在是慢，我们可以直接从https://github.com/tesseract-ocr/tessdata/下载zip的语言包压缩文件，解压后将tessdata-master中的文件复制到tesseract的安装目录c:\program files (x86)\tesseract-ocr\tessdata目录下，最后我们配置下环境变量，我们将c:\program files (x86)\tesseract-ocr添加到环境变量中。进入命令提示符，输入tesseract，显示下图结果，说明配置完成
查看安装了的语言包：tesseract --list-langs
显示我一共安装了167种语言包，里边包含英文或者其他字符。
测试
实验用的二维码
基本使用语法tesseract image.png result （tesseract 图片名称 生成文件名称）
结果
由结果来看，识别出来了p、2和x，但是把c识别成了g，识别度还是比较高，接下来看在python中的使用
python引入tesseract
在python下使用pip命令即可完成下载安装 pip install pytesseract
识别验证码脚本
|
1
2
3
4
|
import pytesseract
from pil import image
im=image.open('pin.png')
print(pytesseract.image_to_string(im))
|
结果
这样识别的结果同样跟上文一样，个别字符识别的不是很准确
图像处理
现在网站上的二维码设计的通常很难复杂，如果直接识别的话很难识别出来，下面这段代码是进行灰度处理和二值化
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
import pytesseract
from pil import image
im=image.open('5.jpg')
#进行置灰处理
im=im.convert('l')
#这个是二值化阈值
threshold=150
table=[]
for i in range(256):
if i<threshold:
table.append(0)
else:
table.append(1)
#通过表格转换成二进制图片，1的作用是白色，0就是黑色
im=im.point(table,"1")
im.show()
print(pytesseract.image_to_string(im))
|
原图
置灰和二值化后
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://nolon.xyz/archives/77/