前言

相信大家利用 Python 写的爬虫应该遇到过要输入验证码的尴尬局面，又或者写了个自动填充表单的小程序，结果就卡在了验证码上。由于我也遇上过上述两种情况，所以我在网上查阅资料后，打算将我查阅到的结果整理一下放在这里，顺便做一个备份。

工具

1. Python pytesseract 库

pytesseract 是对 Tesseract-OCR 的一个封装，方便我们在 Python 中调用 Tesseract-OCR 引擎

Pypi Page

2. Tesseract-OCR 开源识别引擎

Tesseract was originally developed at Hewlett-Packard Laboratories Bristol and at Hewlett-Packard Co, Greeley Colorado between 1985 and 1994, with some more changes made in 1996 to port to Windows, and some C++izing in 1998.

In 2005 Tesseract was open sourced by HP. Since 2006 it is developed by Google.

Github Page

3. Python PIL(2.*)/Pillow(3.*) 库

这两个库是 Python 关于图像处理的第三方库，其中 3.* 的版本要用 Pillow 库

安装

1. Tesseract-OCR

   • 源码编译：可参照官方Wiki
   • windows：安装包可以在 Sourceforge 上下载，不过只有 3.02 版本的安装包
   • Linux：以 Ubuntu 为例，在终端输入sudo apt-get tesseract-ocr即可进行安装
   • Mac：
     • MacPorts sudo port install tesseract
     • Homebrew brew install tesseract

   ** P.S.**

   在windows上安装时，在 Target appended to the Path 这一步耗时较久，请耐心等候。

   安装完成后，在命令行界面输入 tesseract 会出现以下提示：

   Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
   
   pagesegmode values are:
   0 = Orientation and script detection (OSD) only.
   1 = Automatic page segmentation with OSD.
   2 = Automatic page segmentation, but no OSD, or OCR
   3 = Fully automatic page segmentation, but no OSD. (Default)
   4 = Assume a single column of text of variable sizes.
   5 = Assume a single uniform block of vertically aligned text.
   6 = Assume a single uniform block of text.
   7 = Treat the image as a single text line.
   8 = Treat the image as a single word.
   9 = Treat the image as a single word in a circle.
   10 = Treat the image as a single character.
   -l lang and/or -psm pagesegmode must occur before anyconfigfile.
   
   Single options:
     -v --version: version info
     --list-langs: list available languages for tesseract engine
   

则说明引擎安装成功。

2. virtualenv
   为了将 Python 主环境隔离开来，不影响第三方库之间的兼容性，我们可以利用 virtualenv 来搭建虚拟且独立的python环境，可以使每个项目环境与其他项目独立开来，保持环境的干净，解决包冲突问题。

   可以通过 pip 和 easy_install 进行安装：

   easy_install virtualenv
   或
   pip install virtualenv
   

   详细可参照使用virtualenv搭建独立的Python环境

3. PIL, Pillow, pytesseract
   这三个库都可以通过 pip 直接安装。

编程

1. 首先，打开命令行或者终端，输入以下命令：

virtualenv venv --no-site-packages --python=X:\xxx\python.exe

各参数解释：

• venv 虚拟环境所在位置
• --no-site-packages 不复制主环境的库
• --python 指定虚拟环境的 python 版本

然后在命令行输入以下命令，激活虚拟环境

• Linux

cd venv
source ./bin/activate

• Windows

cd venv
.\Scripts\activate

如果要退出虚拟环境的话则输入

deactivate
或
.\Scripts\deactivate

2. 安装依赖包
   在当前虚拟环境中输入

pip install PIL
pip install Pillow
pip install pytesseract

安装完成后进入python，import一下看是否安装成功。

3. 图片处理

• step1. 打开图片

  Captcha.jpg

  from PIL import Image
  im = Image.open('Captcha.jpg')
  

• step2. 将彩色图像转化为灰度图

  im = im.convert('L')
  

  转化为灰度图是为了减少图片的色彩，处理起来更方便

• step3. 降噪，图片二值化

  为了消除背景对文字的影响，可以通过设置一个阈值来将文字与背景分隔开来。而阈值可以参考图片灰度的直方图来得出，又或者试出来。

  这里将阈值设置为 140，然后将大于阈值的像素置 1，小于阈值的置 0。

  def initTable(threshold=140):
   table = []
   for i in range(256):
       if i < threshold:
           table.append(0)
       else:
           table.append(1)
  
   return table
  

  再使用 im.point() 可以将灰度图二值化，结果如下：

  binaryImage = im.point(initTable(), '1')
  binaryImage.show()
  

  Captcha1.jpg

4. 识别文本

可以通过 pytesseract 的 image_to_string() 函数将图片转化为文本，该函数还可以接受参数 config，config 设置的是 Tesseract-OCR 引擎的参数，可自行查阅引擎的帮助文本。不过我们只需要用到 psm 参数，具体的 psm 参数值如下：

-psm N
    Set Tesseract to only run a subset of layout analysis and assume a certain form of image. The options for N are:

    0 = Orientation and script detection (OSD) only.
    1 = Automatic page segmentation with OSD.
    2 = Automatic page segmentation, but no OSD, or OCR.
    3 = Fully automatic page segmentation, but no OSD. (Default)
    4 = Assume a single column of text of variable sizes.
    5 = Assume a single uniform block of vertically aligned text.
    6 = Assume a single uniform block of text.
    7 = Treat the image as a single text line.
    8 = Treat the image as a single word.
    9 = Treat the image as a single word in a circle.
    10 = Treat the image as a single character.

识别图片的代码如下：

print(image_to_string(binaryImage, config='-psm 7')

识别结果为

7226

5. 误差修正

经过测试发现，Tesseract-OCR 对于纯数字的验证码识别有一定误差，因为该引擎识别的是英文文本，所以会将数字识别为字母。这时候就需要建立一个替换表，将识别错误的字母替换为数字，提高识别正确率。

参考链接

使用python以及工具包进行简单的验证码识别