快捷導(dǎo)航

python利用Tesseract識(shí)別驗(yàn)證碼的方法示例

更新時(shí)間：2019年01月21日 14:16:52 作者：老_大叔o

無(wú)論是是自動(dòng)化登錄還是爬蟲(chóng)，總繞不開(kāi)驗(yàn)證碼，這次就來(lái)談?wù)刾ython中光學(xué)識(shí)別驗(yàn)證碼模塊Tesseract，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

無(wú)論是是自動(dòng)化登錄還是爬蟲(chóng)，總繞不開(kāi)驗(yàn)證碼，這次就來(lái)談?wù)刾ython中光學(xué)識(shí)別驗(yàn)證碼模塊tesserocr和pytesseract。tesserocr和pytesseract是Python的一個(gè)OCR識(shí)別庫(kù)，但其實(shí)是對(duì)tesseract做的一層Python API封裝，pytesseract是Google的Tesseract-OCR引擎包裝器；所以它們的核心是tesseract,因此在安裝tesserocr之前，我們需要先安裝tesseract。

下載安裝

下載地址：https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v4.0.0.20181030.exe

下載完成后，雙擊安裝，可以勾選Additional language data(download)選項(xiàng)來(lái)安裝OCR識(shí)別支持的語(yǔ)言包，但下載語(yǔ)言包實(shí)在是慢，我們可以直接從https://github.com/tesseract-ocr/tessdata/下載zip的語(yǔ)言包壓縮文件，解壓后將tessdata-master中的文件復(fù)制到Tesseract的安裝目錄C:\Program Files (x86)\Tesseract-OCR\tessdata目錄下，最后我們配置下環(huán)境變量，我們將C:\Program Files (x86)\Tesseract-OCR添加到環(huán)境變量中。進(jìn)入命令提示符，輸入tesseract，顯示下圖結(jié)果，說(shuō)明配置完成

查看安裝了的語(yǔ)言包：tesseract --list-langs

顯示我一共安裝了167種語(yǔ)言包，里邊包含英文或者其他字符。

測(cè)試

實(shí)驗(yàn)用的二維碼

基本使用語(yǔ)法
tesseract image.png result （tesseract 圖片名稱生成文件名稱）

結(jié)果

由結(jié)果來(lái)看，識(shí)別出來(lái)了P、2和X，但是把C識(shí)別成了G，識(shí)別度還是比較高，接下來(lái)看在python中的使用

python引入tesseract

在python下使用pip命令即可完成下載安裝 pip install pytesseract

識(shí)別驗(yàn)證碼腳本

import pytesseract
from PIL import Image
im=Image.open('pin.png')
print(pytesseract.image_to_string(im))

結(jié)果

這樣識(shí)別的結(jié)果同樣跟上文一樣，個(gè)別字符識(shí)別的不是很準(zhǔn)確

圖像處理

現(xiàn)在網(wǎng)站上的二維碼設(shè)計(jì)的通常很難復(fù)雜，如果直接識(shí)別的話很難識(shí)別出來(lái)，下面這段代碼是進(jìn)行灰度處理和二值化

import pytesseract
from PIL import Image
im=Image.open('5.jpg')
#進(jìn)行置灰處理
im=im.convert('L')
#這個(gè)是二值化閾值
threshold=150
table=[]
for i in range(256):
 if i<threshold:
  table.append(0)
 else:
  table.append(1)
#通過(guò)表格轉(zhuǎn)換成二進(jìn)制圖片，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))

原圖