Python3 爬蟲學習筆記 C12【驗證碼對抗系列 — 圖形驗證碼】

---

Python3 爬蟲學習筆記第十二章 —— 【驗證碼對抗系列 — 圖形驗證碼】

---

---

【12.1】關於普通圖形驗證碼

普通圖形驗證碼一般由四位純數字、純字母或者字母數字組合構成，是最常見的驗證碼，也是最簡單的驗證碼，利用 tesserocr 或者 pytesseract 庫即可識別此類驗證碼，前提是已經安裝好 Tesseract-OCR 軟件

【12.2】tesserocr 庫識別驗證碼

簡單示例：

import tesserocr
from PIL import Image

image = Image.open('code.png')
result = tesserocr.image_to_text(image)
print(result)

新建一個 Image 對象，調用 tesserocr 的 image_to_text() 方法，傳入 Image 對象即可完成識別，另一種方法：

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

【12.3】pytesseract 庫識別驗證碼

簡單示例：

import pytesseract
from PIL import Image

img = Image.open('code.png')
img = img.convert('RGB')
img.show()
print(pytesseract.image_to_string(img))

pytesseract 的各種方法：

• get_tesseract_version：返回 Tesseract 的版本信息；
• image_to_string：將圖像上的 Tesseract OCR 運行結果返回到字符串；
• image_to_boxes：返回包含已識別字符及其框邊界的結果；
• image_to_data：返回包含框邊界，置信度和其他信息的結果。需要 Tesseract 3.05+；
• image_to_osd：返回包含有關方向和腳本檢測的信息的結果。

有關參數：

image_to_data(image, lang='', config='', nice=0, output_type=Output.STRING)

• image：圖像對象；
• lang：Tesseract 語言代碼字符串；
• config：任何其他配置爲字符串，例如：config=’–psm 6’；
• nice：修改 Tesseract 運行的處理器優先級。Windows不支持。尼斯調整了類似 unix 的流程的優點；
• output_type：類屬性，指定輸出的類型，默認爲string。

lang 參數，常見語言代碼如下：

• chi_sim：簡體中文
• chi_tra：繁體中文
• eng：英文
• rus：俄羅斯語
• fra：法語
• deu：德語
• jpn：日語

【12.4】驗證碼處理

利用 Image 對象的 convert() 方法傳入不同參數可以對驗證碼做一些額外的處理，如轉灰度、二值化等操作，經過處理過後的驗證碼會更加容易被識別，識別準確度更高，各種參數及含義：

• 1：1位像素，黑白，每字節一個像素存儲；
• L：8位像素，黑白；
• P：8位像素，使用調色板映射到任何其他模式；
• RGB：3x8位像素，真彩色；
• RGBA：4x8位像素，帶透明度掩模的真彩色；
• CMYK：4x8位像素，分色；
• YCbCr：3x8位像素，彩色視頻格式；
• I：32位有符號整數像素；
• F：32位浮點像素。

示例：

import pytesseract
from PIL import Image

image = Image.open('code.png')
image = image.convert('L')
image.show()
result = pytesseract.image_to_string(image)
print(result)

Image 對象的 convert() 方法參數傳入 L，即可將圖片轉化爲灰度圖像，轉換前後對比：

import pytesseract
from PIL import Image

image = Image.open('code.png')
image = image.convert('1')
image.show()
result = pytesseract.image_to_string(image)
print(result)

Image 對象的 convert() 方法參數傳入 1，即可將圖片進行二值化處理，處理前後對比：

【12.5】tesserocr 與 pytesserocr 相關資料

• tesserocr GitHub：https://github.com/sirfz/tesserocr

• tesserocr PyPI：https://pypi.python.org/pypi/tesserocr

• pytesserocr GitHub：https://github.com/madmaze/pytesseract

• pytesserocr PyPI：https://pypi.org/project/pytesseract/

• Tesseract-OCR 下載地址：http://digi.bib.uni-mannheim.de/tesseract

• tesseract GitHub：https://github.com/tesseract-ocr/tesseract

• tesseract 語言包：https://github.com/tesseract-ocr/tessdata

• tesseract 文檔：https://github.com/tesseract-ocr/tesseract/wiki/Documentation