Python3爬虫实战：利用Tesserocr识别图形验证码

Python3爬虫实战：利用Tesserocr识别图形验证码

本节首先介绍一种最基础的验证码类型——图形验证码。这类验证码出现时间较早，目前仍广泛使用，通常由四位字母或数字组成。例如，中国知网注册页面就使用了此类验证码，其链接为：http://my.cnki.net/elibregister/commonRegister.aspx，页面效果如下：

表单中的最后一项即为图形验证码，用户必须准确输入图中显示的字符才能完成注册流程。

本节目标

1.本节目标

本节将以知网验证码为例，演示如何利用OCR技术识别此类图形验证码。

准备工作

2. 准备工作

识别图形验证码需要依赖Tesserocr库，若尚未安装，请参考第一章的安装指南进行配置。

获取验证码

3. 获取验证码

为了便于实验操作，我们先将验证码图片保存至本地，以便后续测试使用。

打开浏览器开发者工具，定位到验证码元素，可以发现它是一个图片标签，其src属性指向CheckCode.aspx。直接访问该链接：http://my.cnki.net/elibregister/CheckCode.aspx，即可看到验证码图片。右键保存该图片，命名为code.jpg，如图8-2所示：

至此，我们获得了一张用于后续测试识别的验证码图片。

识别测试

4. 识别测试

接下来新建一个项目，将验证码图片放置于项目根目录下，使用Tesserocr库尝试识别该验证码，代码如下：

import tesserocr
from PIL import Image
image = Image.open('code.jpg')
result = tesserocr.image_to_text(image)
print(result)

代码中首先创建了一个Image对象，随后调用Tesserocr的image_to_text()方法，传入该对象即可完成识别。实现过程十分简洁，识别结果如下：

JR42

此外，Tesserocr还提供了一种更简便的方法，直接将图片文件转换为字符串，同样能达到识别效果，代码如下：

import tesserocr
print(tesserocr.file_to_text('image.png'))

经测试，这种直接文件转换方法的识别效果不如前一种方法理想。

验证码处理

5. 验证码处理

上述图片的识别过程相对简单，只需新建Image对象并调用image_to_text()方法即可获取结果。

接下来我们更换一张验证码进行测试，命名为code2.jpg，如图8-3所示：

使用以下代码重新进行测试：

import tesserocr
from PIL import Image
image = Image.open('code2.jpg')
result = tesserocr.image_to_text(image)
print(result)

此时可以看到输出结果如下：

FFKT

结果显示识别结果与实际字符存在偏差，原因在于验证码中的干扰线条影响了OCR的识别精度。

针对这种情况，我们需要对图片进行额外处理，例如转换为灰度图或进行二值化处理。

利用Image对象的convert()方法，传入参数'L'即可将图片转换为灰度图像，代码如下：

image = image.convert('L')
image.show()

若传入参数'1'，则可对图片进行二值化处理：

image = image.convert('1')
image.show()

我们还可以指定二值化的阈值。上述方法使用的是默认阈值127，但不能直接对原图进行二值化转换，而应先转换为灰度图像，再指定阈值进行转换，代码如下：

image = image.convert('L')
threshold = 80
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
image = image.point(table, '1')
image.show()

此处定义了一个变量threshold代表二值化阈值，将其设置为80。处理后的效果如图8-4所示：

经过处理后，验证码中的干扰线条已被去除，图像变得黑白分明。此时重新对处理后的验证码进行识别，代码如下：

import tesserocr
from PIL import Image
image = Image.open('code2.jpg')
image = image.convert('L')
threshold = 127
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
image = image.point(table, '1')
result = tesserocr.image_to_text(image)
print(result)

运行结果变为：

PFRT

识别正确。

由此可见，对于包含干扰元素的图片，通过灰度转换和二值化处理，可以显著提高识别的准确率。

本节代码

6. 本节代码

本节相关代码地址为：https://github.com/Python3WebSpider/CrackImageCode。

结语

7. 结语

本节介绍了利用Tesserocr识别验证码的基本流程。对于简单的图形验证码，可直接调用库函数获取结果；若需提高识别准确度，则应对验证码图片进行预处理。

以上就是Python3爬虫中识别图形验证码的实例讲解的详细内容，更多关于Python3爬虫识别图形验证码的资料请关注本站其它相关文章！