使用 python 识别简单验证码

概述

  • 简介
  • 坑!
  • 安装 Tesseract-OCR
  • 使用 pytesseract 识别验证码
  • 高级玩法 - 除线

简介

首先呢,简单的验证码是这样的:

code.jpg

不是这样的:

image.png

这里使用了 pytesseract 来进行验证码识别,它是基于 Google 的 Tesseract-OCR ,所以在使用之前需要先安装 Tesseract-OCR。使用 PIL 来进行图像处理。pytesseract 默认支持 tiff、bmp 图片格式,使用 PIL 库之后,能够支持 jpeg、gif、png 等其他图片格式;

坑!

PIL(Python Imaging Library) 库只支持 32 位的系统,如果要在 64 位系统中使用,请安装 pillow。嗯,这个真是坑死我了,为了安装这个倒腾了很久。希望能帮到你。

pillow 中文文档

pillow 的缘由:由于PIL仅支持到Python 2.7,加上年久失修,于是一群志愿者在PIL的基础上创建了兼容的版本,名字叫Pillow,支持最新Python 3.x,又加入了许多新特性。

32 位系统

pip install PIL

64 位系统

pip install pillow

安装 Tesseract-OCR

在使用 pytesseract 之前,必须安装 tesseract-ocr ,因为 pytesserat 依赖于 tesseract-ocr ,否则无法使用

tesseract-ocr GitHub 官方地址

Mac

brew install tesseract

centos7

yum-config-manager --add-repo https://download.opensuse.org/repositories/home:/Alexander_Pozdnyakov/CentOS_7/
yum update
yum install tesseract 
yum install tesseract-langpack-deu

windows

download-address

使用 pytesseract 识别验证码

首先将图像灰度化

    #使用路径导入图片
    im = Image.open(imgimgName)
    #使用 byte 流导入图片
    # im = Image.open(io.BytesIO(b))
    # 转化到灰度图
    imgry = im.convert('L')
    # 保存图像
    imgry.save('gray-' + imgName)

灰度化的图像是这个样子的:

gray-code.jpg

然后将图像二值化

    # 二值化,采用阈值分割法,threshold为分割点
    threshold = 140
    table = []
    for j in range(256):
        if j < threshold:
            table.append(0)
        else:
            table.append(1)
    out = imgry.point(table, '1')
    out.save('b' + imgName)

二值化的图像是这个样子的:

two-code.jpg

最后进行识别

 #  识别
    text = pytesseract.image_to_string(out)
    print("识别结果:"+text)

识别结果是这样的:

image.png

高级玩法 - 除线

上面的知识简单的处理,在日常网络冲浪中,我们还会遇到这样的验证码:

logo3.gif

这个给我们的识别增加了难度,我们要做的就是将这条线去掉。详细代码如下:

def removeLine(imgName):
    (img, pixdata) = open_img(imgName)
    for x in range(img.size[0]):  # x坐标
        for y in range(img.size[1]):  # y坐标
            if pixdata[x, y][0] < 8 or pixdata[x, y][1] < 6 or pixdata[x, y][2] < 8 or (
                    pixdata[x, y][0] + pixdata[x, y][1] + pixdata[x, y][2]) <= 30:  # 确定颜色阈值
                if y == 0:
                    pixdata[x, y] = (255, 255, 255)
                if y > 0:
                    if pixdata[x, y - 1][0] > 120 or pixdata[x, y - 1][1] > 136 or pixdata[x, y - 1][2] > 120:
                        pixdata[x, y] = (255, 255, 255)  # ?

    # 二值化处理
    for y in range(img.size[1]):  # 二值化处理,这个阈值为R=95,G=95,B=95
        for x in range(img.size[0]):
            if pixdata[x, y][0] < 160 and pixdata[x, y][1] < 160 and pixdata[x, y][2] < 160:
                pixdata[x, y] = (0, 0, 0)
            else:
                pixdata[x, y] = (255, 255, 255)
    img.filter(ImageFilter.EDGE_ENHANCE_MORE)  # 深度边缘增强滤波,会使得图像中边缘部分更加明显(阈值更大),相当于锐化滤波
    img.resize(((img.size[0]) * 2, (img.size[1]) * 2), Image.BILINEAR)  # Image.BILINEAR指定采用双线性法对像素点插值#?
    img.save('remove-' + imgName)
    print("除线成功!")
    recognize('remove-' + imgName)

那么我们的运行结果是这样的:

bremove-logo3.gif

总结

经过这么一些折腾,我们总算是看到了我们想要的结果,但是我很遗憾地告诉你,pytesseract 还是无法识别处理过的图片,他的识别结果是这样的:

image.png

结果有点令人痛心,不过我们也算是为我们的目标踏进了一小步。你以为这篇文章就这样完了吗?嗯,是的,这篇文章就这样完了。不过好在 pytesseract 提供了自定义训练功能,来提高识别能力(也可以自建神经网络进行识别),这个暂且放到下一篇文章来写吧,因为今天是七夕耶。

参考文档:
Verification-code-crack

后台回复:【验证码源码】获取源码


往期推荐:

nodejs - Promise 用法与面试题分析

使用 Dockerfile 自定义 Docker 镜像

工具推荐:

推荐两款百度云下载神器

听说云盘精灵付费了?不存在的

关注公众号:【zone7】,回复【验证码源码】获取源码

推荐阅读更多精彩内容

  • 1. 工具准备 Tesseract-OCR引擎该引擎由惠普公司开发,2005年开源,之后由Google开发维护。可...
    lossfunc阅读 427评论 1 4
  • 目前,很多网站为了防止爬虫肆意模拟浏览器登录,采用增加验证码的方式来拦截爬虫。验证码的形式有多种,最常见的就是图片...
    猴哥Yuri阅读 9,185评论 6 13
  • 前言 相信大家利用 Python 写的爬虫应该遇到过要输入验证码的尴尬局面,又或者写了个自动填充表单的小程序,结果...
    迦度蓝洛阅读 14,444评论 2 35
  • Python识别验证码主要依靠以下三个库来实现的。 1.Pillow 安装 Python3以后已经不支持PIL,所...
    努力学习的小白阅读 845评论 4 7
  • 前言 经常大家在做自动化测试或者做网络爬虫的时候,都很容易遇到验证码。今天,我们就简单的说下,怎么用python来...
    浪晋阅读 665评论 0 5