java識別驗證碼

　　之前在做數據覈對部分工作，需要獲取廠商的數據，有的廠商提供了api，可以直接通過api拿到數據；有的就沒api，這部分，只能去它們後臺獲取了，那就需要爬蟲，但是，過程中，又碰到登陸的驗證碼。這裏記錄一下識別驗證碼的過程。

使用tess4j

1.下載tessdata和訓練語言包

　　在tessract的github直接下載即可，下載地址戳我(只需要項目的 tessdata文件夾 )。這裏，我下載後放在 D:\tesseract\tessdata文件夾。

　　訓練語言包：tessdata支持多語言，每個語言不同，比如，英文數字類型的驗證碼，對應的是 eng.traineddata

　　訓練語言包，下載地址戳我

下載完，需要把文件放到步驟一的tessdata文件夾下面。我的是放在 D:\tesseract\tessdata下面。

2.加入maven依賴

<dependencies>
    <dependency>
        <groupId>net.java.dev.jna</groupId>
        <artifactId>jna</artifactId>
        <version>4.2.1</version>
    </dependency>
    <dependency>
        <groupId>net.sourceforge.tess4j</groupId>
        <artifactId>tess4j</artifactId>
        <version>4.1.1</version>
        <exclusions>
            <exclusion>
                <groupId>com.sun.jna</groupId>
                <artifactId>jna</artifactId>
            </exclusion>
        </exclusions>
    </dependency>
</dependencies>

3.編寫代碼

public class TestImgV1 {
    /** tessdata 路徑 */
    private static final String TESSDATA_PATH = "D:\\tesseract\\tessdata";
    /** 驗證碼圖片地址 */
    private static final String url = "http://abc.com/validateCodeForIndex.do";

    public static void main(String[] args) throws Exception {
        BufferedImage codeImage = ImageIO.read(new URL(url));

        // 本地做個備份，好對比
        write2disk(codeImage);

        Tesseract tessreact = new Tesseract();
        tessreact.setDatapath(TESSDATA_PATH);

        String result = tessreact.doOCR(codeImage);
        System.out.println("測驗結果：[" + result.replace(" ", "").trim() + "]");
    }

    private static void write2disk(BufferedImage image) throws IOException {
        File file = new File("d:\\tesseract\\code.jpg");
        ImageIO.write(image, "jpg", file);
    }
}

4.驗證結果

　　運行main方法，可以看到，已經正確解析出來了。

　　如下圖，左側是檢驗結果，右邊的是驗證碼原圖。

　　我隨便試了10次，識別出了6次。但是，如果拿那種1和l、g和q、0和o這種相似度比較高的，識別度驟降。

　　有沒有提高識別率的方案？有的，可以使用tesseract-ocr

使用tesseract-ocr

　　tesseract-ocr在tess4j的基礎上，增加了對驗證碼去噪點、二值化等操作。要想使用tesseract-ocr，具體步驟如下。

1.安裝tesseract-ocr

　　我是windows，下載的是exe安裝文件，官網下載地址戳我

　　下載完成，需要加入系統環境變量 Path 和 TESSDATA_PREFIX

　　在cmd裏，執行 tesseract –version ，如果能看到輸出的版本號，那配置就沒問題

　　執行 tesseract code.jpg result ，它會解析當前目錄下的 code.jpg 驗證碼圖片，把解析結果寫入到 result.txt 文件(txt後綴是它自動加上的)

　　詳細安裝步驟，可以參考這篇文章 Windows安裝Tesseract-OCR 4.00並配置環境變量

2.加入maven依賴

<dependencies>
    <dependency>
        <groupId>net.java.dev.jna</groupId>
        <artifactId>jna</artifactId>
        <version>4.2.1</version>
    </dependency>
    <dependency>
        <groupId>net.sourceforge.tess4j</groupId>
        <artifactId>tess4j</artifactId>
        <version>4.1.1</version>
        <exclusions>
            <exclusion>
                <groupId>com.sun.jna</groupId>
                <artifactId>jna</artifactId>
            </exclusion>
        </exclusions>
    </dependency>

    <dependency>
        <groupId>org.openpnp</groupId>
        <artifactId>opencv</artifactId>
        <version>3.2.0-0</version>
    </dependency>
</dependencies>

3.編寫代碼

public class TestImgV2 {
    /**tessdata 路徑*/
    private static final String TESSDATA_PATH = "D:\\tesseract\\tesseract-ocr\\tessdata";
    /** 驗證碼路徑*/
    private static final String IMAGE_CODE_PATH = "d:\\tesseract\\code.jpg";

    /** 用來調用OpenCV庫文件,必須添加 */
    static {
        nu.pattern.OpenCV.loadShared();
        System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
    }

    public static void main(String[] args) {
        // 驗證碼圖片
        File imageFile = new File(IMAGE_CODE_PATH);

        // 去噪點、二值化
        filterPic(imageFile);

        imageFile = new File(IMAGE_CODE_PATH);

        String result = getResult(imageFile);
        System.out.println("測驗結果：[" + result.replace(" ", "").trim() + "]");
    }

    // 圖片處理及處理後的圖片儲存
    public static void filterPic(File imageFile) {
        // 圖片去噪
        Mat src = Imgcodecs.imread(imageFile.getAbsolutePath(), Imgcodecs.IMREAD_UNCHANGED);

        Mat dst = new Mat(src.width(), src.height(), CvType.CV_8UC1);

        if (src.empty()) {
            System.out.println("圖片不存在");
            return;
        }

        Imgproc.boxFilter(src, dst, src.depth(), new Size(3.2, 3.2));
        Imgcodecs.imwrite(imageFile.getAbsolutePath(), dst);

        // 圖片閾值處理，二值化
        Mat src1 = Imgcodecs.imread(imageFile.getAbsolutePath(), Imgcodecs.IMREAD_UNCHANGED);
        Mat dst1 = new Mat(src1.width(), src1.height(), CvType.CV_8UC1);

        Imgproc.threshold(src1, dst1, 165, 200, Imgproc.THRESH_TRUNC);
        Imgcodecs.imwrite(imageFile.getAbsolutePath(), dst1);

        // 圖片截取
        Mat src2 = Imgcodecs.imread(imageFile.getAbsolutePath(), Imgcodecs.IMREAD_UNCHANGED);
        Rect roi = new Rect(4, 2, src2.cols() - 7, src2.rows() - 4); // 參數：x座標，y座標，截取的長度，截取的寬度
        Mat dst2 = new Mat(src2, roi);

        Imgcodecs.imwrite(imageFile.getAbsolutePath(), dst2);
    }

    // 獲取解析結果
    public static String getResult(File imageFile) {
        if (!imageFile.exists()) {
            System.out.println("圖片不存在");
        }
        Tesseract tessreact = new Tesseract();
        tessreact.setDatapath(TESSDATA_PATH);

        String result;
        try {
            result = tessreact.doOCR(imageFile);
        } catch (TesseractException e) {
            e.printStackTrace();
            return null;
        }
        return result;
    }
}

4.驗證結果

　　在tess4j的基礎上，增加了去噪、二值化，解析效果確實比tess4j高一點，但是，字符之間的間距很小或者存在局部重疊的情況，那基本是解析錯誤。

　　不過，如果只是用來識別管理後臺的驗證碼，用tess4j就已經差不多夠用了。

　　如果要更進一步，那就要使用 JTessBoxEditorFX 提高識別率，或者，針對性的生成自己的訓練庫了。有興趣的可以參考這個大佬的文章 利用jTessBoxEditor工具進行Tesseract3.02.02樣本訓練，提高驗證碼識別率