Python識別圖形驗證碼實戰項目

一、前言

　　前幾天有人問我的框架在登錄時支不支持用戶名、密碼以及驗證碼。我回答是不支持，因爲驗證碼是爲了防爬蟲的，自動化遇到有驗證碼可以叫開發去掉或者寫個萬能驗證碼，那同學給我的回答是開發不願意，只能自己搞。哈哈哈，怎麼說呢，工作中學會說服開發也是自己的一種能力呢。好的，下面開始研究識別圖形碼的案例了。

二、tesserocr

參考：https://juejin.cn/post/6844903618605219848

1、tesserocr介紹

tesserocr是Python的一個OCR識別庫，是google開源的OCR，但其實是對tesseract做了一層Python Api的封裝。

OCR,全稱叫 Optical Character Recognition，中文翻譯叫光學字符識別，是指通過掃描字符，通過其形狀將其翻譯成電子文本的過程；

舉例：當有一個圖形驗證碼，先使用OCR技術將其轉化成電子文本，然後爬蟲將識別的結果提交到服務器，便達到自動識別驗證碼的過程；

還有個疑問，之前有在圖形識別領域，還有個opencv的玩意，那這兩者有什麼區別？

答：opencv專注機器視覺，tesseract專注字符識別

所以從領域來說，opencv更廣，而圖形驗證碼，opencv也可以做，但殺雞焉用牛刀~

2、環境準備

本人電腦配置：win10，python3.8，下面講述的是在windows下的安裝

1）安裝tesseract

在Windows下，要先下載tesseract，它爲tesserocr提供了支持；
tesseract下載地址：https://digi.bib.uni-mannheim.de/tesseract/
其中文件名中帶有dev的爲開發版本，不帶dev則爲穩定版本，例如我這裏是下載 tesseract-ocr-w64-setup-v5.3.0.20221214.exe；

 下載後雙擊，一路點擊，直到出現下面這個頁面，這裏需要勾選紅框裏的Additional language data(download)，這個選項是安裝OCR識別支持的語言包，這樣OCR就可以識別多國語言，然後再一路點擊NEXT即可，因爲要下載語言包，所以需要點時間，大概10-20分鐘左右，跟網速有關，如果不需要支持多國語言的話，也可以不勾選，自由選擇。默認包含英文字庫的

如何驗證tesseract是否安裝成功？直接cmd下輸入tesseract即可，成功會直接顯示信息：

 如果提示'tesseract' 不是內部或外部命令，則是因爲沒有配置環境變量，手動把tesseract根目錄配置到path參數下即可，這塊不詳細說明。

 到此爲止，tesseract安裝成功啦~

2）安裝tesserocr

接下來就安裝tesserocr了

方式一（不建議，一般安裝不成功），嘗試pip安裝：pip3 install tesserocr pillow

方式二：通過.whl文件安裝

下載地址：Releases · simonflueckiger/tesserocr-windows_build (github.com)

找到與tesseract對於版本的tesserocr（本人安裝的tesseract v5.3.0.20221214，所以選擇tesserocr-2.5.2-cp38-cp38-win_amd64.whl）

下載後，把下載下來的.whl文件放在任意路徑下 ，然後通過pip命令安裝該文件，舉例文件放在了D:\software\tesser。

安裝命令：pip install D:\software\tesser\tesserocr-2.5.2-cp38-cp38-win_amd64.whl

（這裏pip install後面跟着的是自己下載好的.whl文件即可，tips:可以把文件直接拖到cmd窗口去）

如果pycharm中導入後調用方法報錯，比如tesserocr._tesserocr.image_to_text報錯問題。

可以將Tesseract-OCR下的tessdata文件複製到你的Python安裝路徑下即可

 最終就安裝上tesserocr啦~

如何驗證是否真的安裝了？很簡單，直接import tesserocr，不報錯就說明安裝好了；

 

3、使用舉例

1）圖形驗證碼圖片如下：

2）代碼如下：

import tesserocr
from PIL import Image

#新建Image對象
image = Image.open("m.png")
#進行置灰處理
image = image.convert('L')
#這個是二值化閾值 150
threshold = 122
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，不然就全部黑色了
image = image.point(table,"1")
image.show()
result = tesserocr.image_to_text(image)
print("驗證碼："+result)

3）執行效果如下：

三、ddddocr

1、ddddocr介紹

項目地址：https://github.com/sml2h3/ddddocr

2、環境準備

python版本>3.8

pip命令安裝：

方式一：pip install ddddocr

方式二：pip install ddddocr -i https://pypi.tuna.tsinghua.edu.cn/simple/

3、使用舉例

1）圖形驗證碼圖片如下：

 2）代碼如下：

import ddddocr

ocr = ddddocr.DdddOcr()
with open('m.png', 'rb') as f:
    img_bytes = f.read()
res = ocr.classification(img_bytes)
print('識別出的驗證碼爲：' + res)

3）執行後效果如下：

 

四、pytesseract

1、pytesseract介紹

pytesseract是google的tesseract的一個python版本的接口庫，想要真正使用，首先需要安裝tesseract

2、環境準備

安裝tesseract可以看第二大點，安裝成功後再安裝pytesseract，安裝命令：pip install pytesseract

3、使用舉例

1）圖形驗證碼如下：

 2）代碼如下：

import pytesseract
from PIL import Image
pic = Image.open('1.png')
imgry = pic.convert('L')
imgry.show()
threshold = 150
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
out = imgry.point(table, '1')
out.show()
#pic 爲打開的圖片,lang指定識別轉換的語言庫
text = pytesseract.image_to_string(pic,lang='chi_sim')
print("驗證碼："+text)

3）執行效果如下：

 五、完整項目案例

1、網站地址https://www.qb5.tw/login.php

　　參考別人博客的，忘了博客地址了，這裏主要實現登錄時輸入賬號密碼以及驗證碼的場景。

2、用ddddocr進行識別，完整代碼如下

import requests
from lxml import etree
from requests.packages import urllib3
import ddddocr

urllib3.disable_warnings()

url = "https://www.qb5.tw/login.php"
headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
}

# 1.創建session對象
session = requests.session()
pag_text = session.get(url=url, headers=headers).text

# 2.實例化一個etree對象，方便後面對頁面進行數據解析
tree = etree.HTML(pag_text)

# 3.提取驗證碼下載地址
img_path = "https://www.qb5.tw" + tree.xpath('//*[@id="main"]/div[1]/form/fieldset/p[3]/img/@src')[0]
print(img_path)

# 4.下載驗證碼,以二進制的方式進行保存
img_content = session.get(img_path, headers=headers, verify=False).content
with open('./img.png', 'wb') as f:
    f.write(img_content)
    print('驗證碼圖片下載成功')

#img_code = input('請輸入驗證碼：')
ocr = ddddocr.DdddOcr()
with open('img.png','rb') as f:
    img_bytes = f.read()
code = ocr.classification(img_bytes)
print("識別圖形驗證碼爲："+code)

# 5.進行登錄，定義post的參數
data = {
    'username': 'test123',
    'password': 'admin@123',
    'checkcode': code,
    'usecookie': '315360000',
    'action': 'login',
    'submit': '立即登陸'
}
# 判斷是否登錄成功
response = session.post(url=url, data=data, headers=headers, verify=False)
response.encoding = 'gbk'  # 編碼防止亂碼
response_text = response.text
if "登錄成功" in response_text:
    print("登陸成功")
# 請求個人信息頁
ge = session.get(url='https://www.qb5.tw/userdetail.php', headers=headers, verify=False)
with open('xs.html', 'w', encoding='gbk') as f:
    f.write(ge.text)

3、執行效果如下

六、結束語

tesserocr也只是識別手段的一種，如果需要高精度的識別，可以嘗試TensorFlow實現深度學習模型，通過訓練模型來識別圖形驗證碼。

案例中的執行效果截圖都可以識別出驗證碼，那是因爲需要演示成功例子，實際上嘗試了3種開源的ocr，識別精度都很低，如果工作中實在有需要用到，建議用百度或阿里的ocr，不過需要收費額~