使用 Pytesseract 進(jìn)行簡單的驗(yàn)證碼識別

在爬蟲開發(fā)中我們經(jīng)常會(huì)遇到一種反爬蟲的手段就是驗(yàn)證碼，那么如何才能繞過驗(yàn)證碼拿到我們想要的數(shù)據(jù)呢？這節(jié)課我給大家介紹一個(gè)破驗(yàn)證碼的利器–Pytesseract。

Pytesseract 是 Python 中專門用來識別驗(yàn)證碼和字符的常用第三方模塊，它是一個(gè)根據(jù) Google 開發(fā)的 Tesseract 包進(jìn)行獨(dú)立封裝的產(chǎn)物。由于它在識別驗(yàn)證碼方面具有得天獨(dú)厚的優(yōu)勢，所以經(jīng)常被爬蟲開發(fā)程序員用來進(jìn)行識別驗(yàn)證碼。

本節(jié)課我們就來使用 pytesseract 進(jìn)行簡單的驗(yàn)證碼的識別。

1. 安裝 pytesseract

pytesseract 是 Python 的一個(gè) OCR 識別庫，可以通過安裝這個(gè)模塊，然后調(diào)用相應(yīng)的方法進(jìn)行驗(yàn)證碼識別。我們只是使用這個(gè)模塊的一些常用的 API，關(guān)于這個(gè)模塊的其他用途，讀者可以根據(jù)自己的興趣愛好自行研究。

pytesseract 是第三方模塊，所以需要提前安裝才能使用，安裝命令如下：

pip install pytesseract

安裝過程如下：

2. 第一個(gè)例子

我們先使用 pytesseract 進(jìn)行簡單的圖片識別。使用圖片如下所示：

我們通過調(diào)用 image_to_string 方法來進(jìn)行識別圖片中的文字。

# 引進(jìn)Image和pytesseract模塊
try:
    from PIL import Image
except ImportError:
    import Image
import pytesseract

# 將圖片轉(zhuǎn)化成文字
print(pytesseract.image_to_string(Image.open('test.bmp')))

運(yùn)行結(jié)果：

可以看出，pytesseract 能夠準(zhǔn)確的識別圖片的文字。

3. 識別驗(yàn)證碼

接下來，我們來嘗試使用它來驗(yàn)證驗(yàn)證碼。驗(yàn)證碼圖片如下所示：

代碼如下：

import pytesseract
from PIL import Image

im=Image.open('test.jpeg')
#灰度處理
im=im.convert('L')
#設(shè)置二值化的閾值
threshold=170
t=[]
for i in range(256):
    if i<threshold:
        t.append(0)
    else:
        t.append(1)
#通過表格轉(zhuǎn)換成二進(jìn)制圖片，1的作用是白色，0就是黑色
im=im.point(t,"1")
im.show()
print(pytesseract.image_to_string(im))
#刪除冗余字符
print(pytesseract.image_to_string(im)[0:-1])

運(yùn)行結(jié)果：

從運(yùn)行結(jié)果，我們可以看出，雖然我們使用了二值化進(jìn)行了灰度處理，但是程序仍然不能 100% 的識別驗(yàn)證碼，所以，后面我們刪除了識別錯(cuò)誤產(chǎn)生的小數(shù)點(diǎn)，才是最后的結(jié)果。

4. 小結(jié)

使用 pytesseract 只能識別一些簡單的驗(yàn)證碼，識別率也不高，需要導(dǎo)入訓(xùn)練好的各種語言包才能提高識別率。另外，如果熟悉機(jī)器學(xué)習(xí)的知識化，根據(jù) pytesseract 提供的方法，可以通過深度學(xué)習(xí)的算法自己訓(xùn)練一個(gè)模型，然后進(jìn)行識別，可以提高識別的準(zhǔn)確度。