前言
相信大家利用 Python 寫(xiě)的爬蟲(chóng)應(yīng)該遇到過(guò)要輸入驗(yàn)證碼的尷尬局面，又或者寫(xiě)了個(gè)自動(dòng)填充表單的小程序，結(jié)果就卡在了驗(yàn)證碼上。由于我也遇上過(guò)上述兩種情況，所以我在網(wǎng)上查閱資料后，打算將我查閱到的結(jié)果整理一下放在這里，順便做一個(gè)備份。
工具
Python pytesseract 庫(kù)
pytesseract 是對(duì) Tesseract-OCR 的一個(gè)封裝，方便我們?cè)?Python 中調(diào)用 Tesseract-OCR 引擎
Pypi Page
Tesseract-OCR 開(kāi)源識(shí)別引擎
Tesseract was originally developed at Hewlett-Packard Laboratories Bristol and at Hewlett-Packard Co, Greeley Colorado between 1985 and 1994, with some more changes made in 1996 to port to Windows, and some C++izing in 1998.
In 2005 Tesseract was open sourced by HP. Since 2006 it is developed by Google.
Github Page
Python PIL(2.*)/Pillow(3.*) 庫(kù)
這兩個(gè)庫(kù)是 Python 關(guān)于圖像處理的第三方庫(kù)，其中 3.* 的版本要用 Pillow 庫(kù)
安裝
Tesseract-OCR
源碼編譯：可參照官方 Wiki
windows：安裝包可以在 Sourceforge 上下載，不過(guò)只有 3.02 版本的安裝包
Linux：以 Ubuntu 為例，在終端輸入 sudo apt-get tesseract-ocr 即可進(jìn)行安裝
Mac：
MacPorts sudo port install tesseract
Homebrew brew install tesseract
P.S.
在windows上安裝時(shí)，在 Target appended to the Path 這一步耗時(shí)較久，請(qǐng)耐心等候。
安裝完成后，在命令行界面輸入 tesseract 會(huì)出現(xiàn)以下提示：
Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
pagesegmode values are:
0 = Orientation and script detection (OSD) only.
1 = Automatic page segmentation with OSD.
2 = Automatic page segmentation, but no OSD, or OCR
3 = Fully automatic page segmentation, but no OSD. (Default)
4 = Assume a single column of text of variable sizes.
5 = Assume a single uniform block of vertically aligned text.
6 = Assume a single uniform block of text.
7 = Treat the image as a single text line.
8 = Treat the image as a single word.
9 = Treat the image as a single word in a circle.
10 = Treat the image as a single character.
-l lang and/or -psm pagesegmode must occur before anyconfigfile.
Single options:
-v --version: version info
--list-langs: list available languages for tesseract engine
則說(shuō)明引擎安裝成功。
virtualenv
為了將 Python 主環(huán)境隔離開(kāi)來(lái)，不影響第三方庫(kù)之間的兼容性，我們可以利用 virtualenv 來(lái)搭建虛擬且獨(dú)立的python環(huán)境，可以使每個(gè)項(xiàng)目環(huán)境與其他項(xiàng)目獨(dú)立開(kāi)來(lái)，保持環(huán)境的干凈，解決包沖突問(wèn)題。
可以通過(guò) pip 和 easy_install 進(jìn)行安裝：
easy_install virtualenv
或
pip install virtualenv
詳細(xì)可參照 使用virtualenv搭建獨(dú)立的Python環(huán)境
PIL, Pillow, pytesseract
這三個(gè)庫(kù)都可以通過(guò) pip 直接安裝。
編程
首先，打開(kāi)命令行或者終端，輸入以下命令：
virtualenv venv --no-site-packages --python=X:\xxx\python.exe
各參數(shù)解釋?zhuān)?/p>
venv 虛擬環(huán)境所在位置
--no-site-packages 不復(fù)制主環(huán)境的庫(kù)
--python 指定虛擬環(huán)境的 python 版本
然后在命令行輸入以下命令，激活虛擬環(huán)境
Linux
cd venv
source ./bin/activate
Windows
cd venv
.\Scripts\activate
如果要退出虛擬環(huán)境的話(huà)則輸入
deactivate
或
.\Scripts\deactivate
安裝依賴(lài)包
在當(dāng)前虛擬環(huán)境中輸入
pip install PIL
pip install Pillow
pip install pytesseract
安裝完成后進(jìn)入python，import一下看是否安裝成功。
圖片處理
step1. 打開(kāi)圖片
Captcha.jpg
from PIL import Image
im = Image.open('Captcha.jpg')
step2. 將彩色圖像轉(zhuǎn)化為灰度圖
im = im.convert('L')
轉(zhuǎn)化為灰度圖是為了減少圖片的色彩，處理起來(lái)更方便
step3. 降噪，圖片二值化
為了消除背景對(duì)文字的影響，可以通過(guò)設(shè)置一個(gè)閾值來(lái)將文字與背景分隔開(kāi)來(lái)。而閾值可以參考圖片灰度的直方圖來(lái)得出，又或者試出來(lái)。
這里將閾值設(shè)置為 140，然后將大于閾值的像素置 1，小于閾值的置 0。
def initTable(threshold=140):
table = []
for i in range(256):
if i <>
table.append(0)
else:
table.append(1)
return table
再使用 im.point() 可以將灰度圖二值化，結(jié)果如下：
binaryImage = im.point(initTable(), '1')
binaryImage.show()
Captcha1.jpg
識(shí)別文本
可以通過(guò) pytesseract 的 image_to_string() 函數(shù)將圖片轉(zhuǎn)化為文本，該函數(shù)還可以接受參數(shù) config，config 設(shè)置的是 Tesseract-OCR 引擎的參數(shù)，可自行查閱引擎的幫助文本。不過(guò)我們只需要用到 psm 參數(shù)，具體的 psm 參數(shù)值如下：
-psm N
Set Tesseract to only run a subset of layout analysis and assume a certain form of image. The options for N are:
0 = Orientation and script detection (OSD) only.
1 = Automatic page segmentation with OSD.
2 = Automatic page segmentation, but no OSD, or OCR.
3 = Fully automatic page segmentation, but no OSD. (Default)
4 = Assume a single column of text of variable sizes.
5 = Assume a single uniform block of vertically aligned text.
6 = Assume a single uniform block of text.
7 = Treat the image as a single text line.
8 = Treat the image as a single word.
9 = Treat the image as a single word in a circle.
10 = Treat the image as a single character.
識(shí)別圖片的代碼如下：
print(image_to_string(binaryImage, config='-psm 7')
識(shí)別結(jié)果為
誤差修正
經(jīng)過(guò)測(cè)試發(fā)現(xiàn)，Tesseract-OCR 對(duì)于純數(shù)字的驗(yàn)證碼識(shí)別有一定誤差，因?yàn)樵撘孀R(shí)別的是英文文本，所以會(huì)將數(shù)字識(shí)別為字母。這時(shí)候就需要建立一個(gè)替換表，將識(shí)別錯(cuò)誤的字母替換為數(shù)字，提高識(shí)別正確率。
聯(lián)系客服
