验证码的识别

概要：在爬虫中我们时常会碰见登录时候需要识别验证码的问题， 当然，验证码有很多，本篇文章只说最普通的图片验证码。

1、首先需要下载OCR

OCR，光学字符识别，作用是通过扫描图片，将其转换为文本。

百度下载即可。

2、我们需要安装tesserocr、PIL

pip3 install tesserocr 如果安装出错可以去：https://github.com/simonflueckiger/tesserocr-windows_build/releases?from=%E6%96%87%E7%AB%A0%E9%A1%B5%E5%86%85%E9%93%BE%E6%8E%A5下载wheel文件。

PIL图片处理库，就不多说了。

3、识别

3.1、首先随便去网站找几个验证码

3.2、识别测试

• open()方法打开图片
• show()方法弹出图片
• image_to_text()将图片中的字符提取出来。

结果：

我们可以看到结果不是很准确，我们可以试试做一些其他的处理。

3.3、处理验证码

一、灰度化处理

用convert()传入L进行灰度化处理

二、二值化处理

在此之前需要了解像素值，用0-255表示，0表示的是黑，255表示的白。

pixdata = image.load()方法是获取到图片的像素，通过pixdata[x,y]来获取某一个点的像素值。

w,h = image.size 获取图片的宽度和高度。

通过for循环来遍历图片上的像素点，因为在此之前我们已经将图片灰度化处理，现在的图片非黑即白，因此我们定义一个阈值(threshold=150，你需要根据自己的图片更改不同的值)，当图片大于这个值，可以理解为靠近白色，即是用来干扰我们的视线的，所以我们把这些像素直接修改成255（白色），反之小于该阈值，我们把他修改成0（黑色）。

三、降噪

邻域像素算法：

判断一个点的上下左右四个点的像素值，如果有3个或以上的点的像素值大于245，可以认为是干扰我们视线的点，我们便将该像素点变为白色。

因此，我们将代码修改为：

import tesserocr from PIL import Image image=Image.open('code.jpg') #将图片进行灰度化 image=image.convert('L') #读取像素值 pixdata = image.load() #获取到图片的宽度和高度 w,h = image.size #设置一个阈值 threshold=150 #遍历循环该图的像素点，判断 for y in range(1,h-1): for x in range(1,w-1): if pixdata[x,y] < threshold: pixdata[x,y] = 0 if pixdata[x,y] >= threshold: pixdata[x,y] = 255 count = 0 if pixdata[x,y-1] > 245: count+=1 if pixdata[x,y+1] > 245: count+=1 if pixdata[x-1,y] > 245: count+=1 if pixdata[x+1,y] > 245: count+=1 if count > 2: pixdata[x,y] = 255 image.show() result=tesserocr.image_to_text(image) print(result)

结果图：

4、降噪其实还有很多方法，你也可以试图写出自己判断的方式。

这个验证码识别的效率比较低，我们不追求100%的成功，我们需要了解的这个思路。

有兴趣的可以自己训练自己的字体库，来提高我们的识别效率。

5、完。