selenium(硒)库与tesseract

2019.8.5

selenium(读作：舍利尼恩)的核心Selenium Core基于JsUnit，完全由JavaScript编写，因此可以用于任何支持JavaScript的浏览器上。selenium可以模拟真实浏览器，自动化测试工具，支持多种浏览器，爬虫中主要用来解决JavaScript渲染问题。
selenium需要下载浏览器驱动，这是世界第一浏览器chrome driver 淘宝镜像。
PhantomJS是无头浏览器无须打开浏览器就可以进行爬虫，但在未来的通知之前，PhantomJS 2.1.1将会是已知最后的稳定版本，其已停止开发，新版本的Selenium不再支持PhantomJS，但可以使用Chrome或Firefox的无头版本来替代，这两个浏览器的无头模式使得PhamtomJS的优势丧失了，所以我们应该转用无头模式。
pytesseract是一个基于google's Tesseract-OCR的API封装包，pytesseract默认支持tiff、bmp格式图片，只有在安装PIL库之后，才能支持jpeg、gif、png等其他图片格式。要将tesseract添加进环境变量内。
一般图像处理验证，需要通过对图像进行灰度处理、二值化后增加图像文字的辨识度。

# 处理图片
def bin(image, threshold):
    image = image.convert('L')
    table = []
    for i in range(256):
        if i <  threshold:
            table.append(0)
        else:
            table.append(1)
    return image.point(table,'1')

比较处理前后的识别准确率。图片地址

1.jpg

from PIL import Image
import pytesseract

# tesseract不能直接对网页验证码识别，需要处理，这里用图片
img = Image.open('1.jpg')
result = pytesseract.image_to_string(img, lang='chi_sim')  # 默认识别英文和数字，识别简体中文要改参数
print(result)

# 处理图片
def bin(image, threshold):
    image = image.convert('L')
    table = []
    for i in range(256):
        if i <  threshold:
            table.append(0)
        else:
            table.append(1)
    return image.point(table,'1')

image = bin(img, 127)
image.show()
consequence = pytesseract.image_to_string(image, lang='chi_sim')  # 输出为字符串，还有其他函数输出更多内容
print(consequence)

result = 'www zhIMA365.coM'
consequence = '町知码网'

参考文章：Python之selenium+pytesseract实现识别验证码自动化登陆脚本——卿先生 https://www.cnblogs.com/-qing-/p/11027821.html

最后编辑于：2019.08.05 10:31:37