無論是是自動化登錄還是爬蟲,總繞不開驗證碼,這次就來談談python中光學識別驗證碼模塊tesserocr
和pytesseract
。tesserocr
和pytesseract
是Python的一個OCR識別庫,但其實是對tesseract
做的一層Python API封裝,pytesseract
是Google的Tesseract-OCR
引擎包裝器;所以它們的核心是tesseract
,因此在安裝tesserocr
之前,我們需要先安裝tesseract
。
下載安裝
下載地址:https://digi.bib.uni-mannheim...
下載完成後,雙擊安裝,可以勾選Additional language data(download)
選項來安裝OCR識別支持的語言包,但下載語言包實在是慢,我們可以直接從https://github.com/tesseract-... 下載zip的語言包壓縮文件,解壓後將tessdata-master
中的文件複製到Tesseract
的安裝目錄C:\Program Files (x86)\Tesseract-OCR\tessdata
目錄下,最後我們配置下環境變量,我們將C:\Program Files (x86)\Tesseract-OCR
添加到環境變量中。進入命令提示符,輸入tesseract
,顯示下圖結果,說明配置完成
查看安裝了的語言包:tesseract --list-langs
顯示我一共安裝了167種語言包,裏邊包含英文或者其他字符。
測試
實驗用的二維碼
基本使用語法tesseract image.png result
(tesseract 圖片名稱 生成文件名稱)
結果
由結果來看,識別出來了P、2和X,但是把C識別成了G,識別度還是比較高,接下來看在python中的使用
python引入tesseract
在python下使用pip命令即可完成下載安裝 pip install pytesseract
識別驗證碼腳本
import pytesseract
from PIL import Image
im=Image.open('pin.png')
print(pytesseract.image_to_string(im))
結果
這樣識別的結果同樣跟上文一樣,個別字符識別的不是很準確
圖像處理
現在網站上的二維碼設計的通常很難複雜,如果直接識別的話很難識別出來,下面這段代碼是進行灰度處理和二值化
import pytesseract
from PIL import Image
im=Image.open('5.jpg')
#進行置灰處理
im=im.convert('L')
#這個是二值化閾值
threshold=150
table=[]
for i in range(256):
if i<threshold:
table.append(0)
else:
table.append(1)
#通過表格轉換成二進制圖片,1的作用是白色,0就是黑色
im=im.point(table,"1")
im.show()
print(pytesseract.image_to_string(im))
原圖
置灰和二值化後
想要提高識別率只能下載訓練好的語言包,如上述所說,或者用深度學習的方法訓練機器
原文地址:https://nolon.xyz/archives/77/