Python爬虫识别验证码
安装tesserocr
pip3 install tesserocr pillow
识别测试
将验证码图片放到项目根目录下，用tesserocr库识别该验证码，代码如下所示：
|
0 1 2 3 4 5 6 7 |
import locale locale.setlocale(locale.LC_ALL, 'C') import tesserocr from PIL import Image image = Image.open('code.jpg') result = tesserocr.image_to_text(image) print(result) |
新建了一个Image对象，调用了tesserocr的image_to_text( )方法。传入该Image对象即可完成识别，实现过程非常简单，结果如下：
识别的结果和实际结果有偏差，这是因为验证码内的多余线条干扰了图片的识别。
另外，tesserocr还有一个更加简单的方法，这个方法可以直接将图片文件转为字符串，代码如下：
|
0 1 2 3 4 5 |
import locale locale.setlocale(locale.LC_ALL, 'C') import tesserocr from PIL import Image print(tesserocr.image_to_text('code.jpg')) |
不过这种方法的识别效果不如上一种的好。
对于上面的图片，我们可以看到其实并没有完全识别正确，所以我们需要对图像作进一步的处理，如灰度转换、二值化等操作。
我们可以利用Image对象的convert( )方法参数传入L，即可将图片转化为灰度图像，代码如下：
|
0 1 |
image = Image.convert('L') image.show() |
传入1即可将图片进行二值化处理，如下所示：
|
0 1 |
image = Image.convert('1') image.show() |
我们还可以指定二值化的阈值。上面的方法采用的是默认阈值127。不过我们不能直接转化原图，要将原图先转化为灰度图像，然后再指定二值化阈值，代码如下：
|
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
import locale locale.setlocale(locale.LC_ALL, 'C') import tesserocr from PIL import Image image = Image.open('code.jpg') image = image.convert('L') threshold = 160 table = [] for i in range(256): if i < threshold: table.append(0) else: table.append(1) image = image.point(table, '1') image.show() |
在这里，变量threshold代表二值化阈值，阈值设置为160，之后我们来看看我们的结果：
我们可以看到现在的二维码就比较方便我们进行识别了；那么对于一些有干扰的图片，我们做一些灰度和二值化处理，这会提高图片识别的正确率。