一、背景

最近有個需求是從一個后臺的留言網站爬取留言數據，后臺管理網站必然涉及到了登錄，登錄就有個驗證碼的問題必須得解決，由于驗證碼是從后端生成的，并且不了解其生成規則，那就只能通過圖像識別技術來做驗證碼識別了！通過查閱資料發現Python中的的tesserocr這個庫好像使用的比較多，所以對這個庫進行了一番研究，并且實現了那個后臺網站驗證碼的識別。

二、準備工作

1. 安裝tesserocr

由于我使用的Python版本是python3.5，所以一下所有操作都是基于python3的，如果有python2的同學，可以找找其他教程~~

首先需要下載tesseract，它為tesserocr提供底層支持。具體下載官方路徑：https://github.com/UB-Mannheim/tesseract/wiki，選擇對應的系統版本，可以選擇一個相對不帶dev的穩定版本下載，如：tesseract-ocr-setup-3.05.02-20180621.exe。然后一路安裝，唯一記得勾選Additional language data（download），勾選可能會用到的語言tessdata，如簡體、繁體中文，數學模塊等，不需要全選，下載tessdata的時間會比較長。

然后安裝python3對應的tesserocr庫，通常我們安裝庫的方法是使用命令pip install tesserocr，但是這里會報錯：“error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools",這個時候不宜直接去下載Microsoft Visual C++ Build Tools，而是使用原始的whl文件方式安裝。tesserocr 的whl官方文件下載路徑：https://github.com/simonflueckiger/tesserocr-windows_build/releases，下載本地環境對應的whl文件，如我的是window64位系統，python版本是3.5。下載完后，使用cd跳轉到whl文件所在目錄，然后 執行 ”pip installtesserocr-2.2.2-cp35-cp35m-win_amd64.whl“，即可輕松完成安裝。

緊接著用例子驗證如何使用：我們找到一個驗證碼圖片：image.jpg，下載到本地磁盤，用代碼進行驗證：

import tesserocr
from PIL import Image
image=Image.open('image.jpg')
print(tesserocr.image_to_text(image))

不出意外，首次運行總是不順利，相信我遇到的坑大多數人都會遇到，大抵錯誤類似：

Traceback (most recent call last):
File "G:\pythonSources\my12306/obtain_message\test.py", line 4, in module>
print(tesserocr.image_to_text(image))
File "tesserocr.pyx", line 2400, in tesserocr._tesserocr.image_to_text
RuntimeError: Failed to init API, possibly an invalid tessdata path: “本地某個路徑”

有個比較簡單粗暴的解決方法是把安裝好的Tesseract-OCR下的tessdata文件夾整個拷貝到提示的那個路徑中，親測有效。

2. 安裝opencv

由于驗證碼需要做一些優化處理，方便更加容易被tesserocr識別，所以需要使用opencv來做一些特殊的處理，安裝opencv比較簡單，直接pip install opencv-python即可。

三、識別過程

1. 將圖片變成黑白圖片

我需要爬取數據的這個后臺網站驗證碼是黃底白字的，這種色差較小的tesserocr識別起來比較困難，稍微試了一下，基本上沒怎么識別對過。。。所以我們需要先將圖片變成色差最大的黑白圖片。初始圖片見下圖：

首先，將圖片變成灰色，并將灰色圖片保存起來方便后續做對比，變成灰色以后的圖片如下：

變成灰色后，通過像素點的顏色值將灰色部分的背景變成白色，白色的具體內容變成黑色，這樣白底黑字的黑白圖片就有了：

處理成黑白圖片的實現代碼如下：

img = Image.open(self.code_path)
# 將圖片變成灰色
img_gray = img.convert('L')
img_gray.save('../images/code_gray.png')
# 轉成黑白圖片
img_black_white = img_gray.point(lambda x: 0 if x > 200 else 255)
img_black_white.save('../images/code_black_white.png')

2. 去除圖片噪點

圖片轉成黑白以后，一些雜點也隨著我們的主體內容變成了黑色的點，這樣對識別的效果也有較大的影響，所以需要想辦法將這些干擾點去掉。這里就需要借助opencv的功能了，在使用opencv去除噪點之前，需要先將圖片做灰值化以及二值化處理，具體代碼如下所示：

# opencv處理
img_cv = cv2.imread('../images/code_black_white.png')
# 灰值化
im = cv2.cvtColor(img_cv, cv2.COLOR_BGR2GRAY)
# 二值化
cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1)

基本處理之后，就需要消除噪點了，消除噪點的原理也比較簡單，就是遍歷圖片的每一個像素點，找到其上下左右四個像素點位置的顏色，如果這四個點中白色點的數量大于2則說明這個點是噪點，需要將該點的顏色直接置為白色點，在邊框位置的像素點也直接置為白色，因為主要內容一般都是在圖片中間的。以下為處理噪點的代碼：

# 噪點處理
def interference_point(img):
  filename = '../images/code_result.png'
  h, w = img.shape[:2]
  # 遍歷像素點進行處理
  for y in range(0, w):
    for x in range(0, h):
      # 去掉邊框上的點
      if y == 0 or y == w - 1 or x == 0 or x == h - 1:
        img[x, y] = 255
        continue
      count = 0
      if img[x, y - 1] == 255:
        count += 1
      if img[x, y + 1] == 255:
        count += 1
      if img[x - 1, y] == 255:
        count += 1
      if img[x + 1, y] == 255:
        count += 1
      if count > 2:
        img[x, y] = 255
  cv2.imwrite(filename, img)
  return img, filename

噪點處理完畢之后，就是一張非常清晰的圖片了：

這個時候就可以直接使用tesserocr來識別了，具體識別的方式如下：

tesserocr.image_to_text(img_result)

識別測試結果如下：

經過多次識別驗證測試，另外也由于這個驗證碼的字體相對比較規范，所以成功率是相當的高了，即使偶爾的一次失敗，我們也是可以進行重試就又成功了。哈哈， 差不多就是這個樣子啦，歡迎大家指正文中的問題~~不多說了，我要去使用新學的技術去做“壞事”了！

到此這篇關于Python3使用tesserocr識別字母數字驗證碼的實現的文章就介紹到這了,更多相關Python3 tesserocr識別字母數字驗證碼內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！