快捷導(dǎo)航

Python圖形驗證碼識別教程詳解

更新時間：2023年02月20日 14:43:13 作者：愛吃餅干的小白鼠

這篇文章主要介紹了Python圖形驗證碼識別，目前，許多網(wǎng)站采取各種各樣的措施來反爬蟲，其中一個措施便是使用驗證碼。隨著技術(shù)的發(fā)展，驗證碼的花樣越來越多。驗證碼最初是幾個數(shù)字組合的簡單的圖形驗證碼，后來加入了英文字母和混淆曲線

前言

（結(jié)尾有彩蛋歐）

目前，許多網(wǎng)站采取各種各樣的措施來反爬蟲，其中一個措施便是使用驗證碼。隨著技術(shù)的發(fā)展，驗證碼的花樣越來越多。驗證碼最初是幾個數(shù)字組合的簡單的圖形驗證碼，后來加入了英文字母和混淆曲線。有的網(wǎng)站還可能看到中文字符的驗證碼，這使得識別愈發(fā)困難。

后來 12306 驗證碼的出現(xiàn)使得行為驗證碼開始發(fā)展起來，用過 12306 的用戶肯定多少為它的驗證碼頭疼過。我們需要識別文字，點擊與文字描述相符的圖片，驗證碼完全正確，驗證才能通過。現(xiàn)在這種交互式驗證碼越來越多，如極驗滑動驗證碼需要滑動拼合滑塊才可以完成驗證，點觸驗證碼需要完全點擊正確結(jié)果才可以完成驗證，另外還有滑動宮格驗證碼、計算題驗證碼等。

驗證碼變得越來越復(fù)雜，爬蟲的工作也變得愈發(fā)艱難。有時候我們必須通過驗證碼的驗證才可以訪問頁面。本章就專門針對驗證碼的識別做統(tǒng)一講解。

接下來會涉及的驗證碼有普通圖形驗證碼、極驗滑動驗證碼、點觸驗證碼、微博宮格驗證碼，這些驗證碼識別的方式和思路各有不同。了解這幾個驗證碼的識別方式之后，我們可以舉一反三，用類似的方法識別其他類型驗證碼。

環(huán)境使用

python 3.9
pycharm

圖形驗證碼的識別

我們首先識別最簡單的一種驗證碼，即圖形驗證碼。這種驗證碼最早出現(xiàn)，現(xiàn)在也很常見，一般由 4 位字母或者數(shù)字組成。例如，某某網(wǎng)站的注冊頁面有類似的驗證碼。

一般來說，表單的最后一項就是圖形驗證碼，我們必須完全正確輸入圖中的字符才可以完成注冊和登錄。

1. 本節(jié)目標(biāo)

以某網(wǎng)站的驗證碼為例，講解利用 OCR 技術(shù)識別圖形驗證碼的方法。

2. 準(zhǔn)備工作

識別圖形驗證碼需要庫 tesserocr。本文文末有安裝教程。

3. 獲取驗證碼

為了便于我們的實驗測試，我們先將驗證碼的圖片保存到本地。

打開開發(fā)者工具，找到驗證碼元素。驗證碼元素是一張圖片，它的 src 屬性是 CheckCode.aspx?？梢钥吹揭粋€驗證碼，右鍵保存即可，將其命名為 yzm.jpg。

這樣我們就可以得到一張驗證碼圖片，以供測試識別使用。

4. 識別測試

接下來新建一個項目，將驗證碼圖片放到項目根目錄下，用 tesserocr 庫識別該驗證碼，代碼如下所示：

import tesserocr
from PIL import Image
image = Image.open('yzm.jpg')
result = tesserocr.image_to_text(image)
print(result)

在這里我們新建了一個 Image 對象，調(diào)用了 tesserocr 的 image_to_text() 方法。傳入該 Image 對象即可完成識別，實現(xiàn)過程非常簡單，結(jié)果如下所示：JR42。是不是很神奇。

5. 驗證碼處理

接下來我們換一個驗證碼，將其命名為 code2.jpg

重新運行上面的代碼，輸出FFKT。

這次識別和實際結(jié)果有偏差，這是因為驗證碼內(nèi)的多余線條干擾了圖片的識別。

對于這種情況，我們還需要做一下額外的處理，如轉(zhuǎn)灰度、二值化等操作。我們可以利用 Image 對象的 convert() 方法參數(shù)傳入 L，即可將圖片轉(zhuǎn)化為灰度圖像，代碼如下所示：

image = image.convert('L')
image = image.convert('1')
image.show()

我們還可以指定二值化的閾值。上面的方法采用的是默認閾值 127。不過我們不能直接轉(zhuǎn)化原圖，要將原圖先轉(zhuǎn)為灰度圖像，然后再指定二值化閾值，代碼如下所示：

image = image.convert('L')
threshold = 80
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
image = image.point(table, '1')
image.show()

運行之后就會得到我們想要的處理結(jié)果。而且我們發(fā)現(xiàn)原來驗證碼中的線條已經(jīng)去除，整個驗證碼變得黑白分明。這時重新識別驗證碼，再次運行上面的代碼就可以得到我們要的驗證碼。

那么，針對一些有干擾的圖片，我們做一些灰度和二值化處理，這會提高圖片識別的正確率。

tesserocr庫安裝

在這里我和大家簡單介紹一下，這個庫的安裝教程。

1. tesseract軟件的安裝

在win10下，安裝tesseract可以進入該網(wǎng)址進行下載 https://digi.bib.uni-mannheim.de/tesseract/

其中，文件名中帶有dev的為開發(fā)版本，不帶dev的為穩(wěn)定版本，可以選擇下載不帶dev的版本。例如可以選擇下載tesseract-ocr-win64-setup-v5.3.0.20221214.exe。

下載完成后，打開下載文件，其中可以勾選Additional language data(download)選項來安裝OCR識別支持的語言包，以便OCR識別多國語言。(也可以在選項中只勾選chinese)

2. 環(huán)境配置

在系統(tǒng)變量里，修改path，添加你安裝tesserocr的路徑。在系統(tǒng)變量里，創(chuàng)建一個新的變量名為:TESSDATA_PREFIX，值為:D:\Program Files(X86)\Tesseract-OCR\tessdata(根據(jù)自己安裝的tesserocr安裝路徑為準(zhǔn))。