python图形验证码模块tesserocr
ocr图片识别通常可以利用tesserocr模块,将图片中内容识别出来并转换为text并输出
Tesserocr是python的一个OCR识别库,是对tesseract做的一层python APT封装。在安装Tesserocr前,需要先安装tesseract
tessrtact文件:
https://digi.bib.uni-mannheim.de/tesseract/
python安装tessocr: 下载对应的.whl文件安装(这个包pip方式容易出错)
tesseract 与对应的tesserocr:
https://github.com/simonflueckiger/tesserocr-windows_build/releases
实现代码如下:
from PIL import Image
import tesserocr
#tesserocr识别图片的2种方法
img = Image.open("code.jpg")
verify_code1 = tesserocr.image_to_text(img)
#print(verify_code1)
verify_code2 = tesserocr.file_to_text("code.jpg")
#print(verify_code2)
但是,当图片中干扰部分较多,如验证码内多余的线条干扰图片的识别,识别后的内容不是很准确,就需要做一下处理,如转灰度,二值化操作。
可以利用Image对象的convert()方法,传入“L”,将图片转为灰度图像;传入1则对图像进行二值处理(默认阈值127)
原验证码:
img = Image.open("code.jpg")
img_L = img.convert("L")
img_L.show()
也可以自己设置阈值
threshold = 100 #设置二值的阈值100
table = []
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
#point()返回给定查找表对应的图像像素值的拷贝,变量table为图像的每个通道设置256个值,为输出图像指定一个新的模式,模式为“L”和“P”的图像进一步转换为模式为“1”的图像
image = img_L.point(table, "1")
image.show()
img_1 = tesserocr.image_to_text(image)
print(img_1)
>>5SA6
操作系统:Win10 1709 X64
python版本:3.6.5
依赖模块:PIL、tesserocr。
需要说明的是,在windows系统上PowerShell通过PIP3 install tesserocr安装验证码识别模块时,需要先安装Tesseract (一款由HP实验室开发由Google维护的开源OCR(Optical Character Recognition , 光学字符识别)引擎,与Microsoft Office Document Imaging(MODI)相比,我们可以不断的训练的库,使图像转换文本的能力不断增强。)可执行文件。
以中国知网的注册页面为例,我们常被要求输入这类简单的字母组成,背景含很多杂线的验证码,如下图所示:
我们对验证码另存为到本地代码所在目录,取名:test.png.
下图是直接用对应模块识别的代码示例:
1 2 3 4 5 6 |
|
原始图片尺寸较小,极少情况下如果无法正常识别,可以借助图片处理工具PIL模块进行图片等比例放大后保存。此例中直接运行上述代码,结果为“VHIHI”,即使是肉眼可见较为清晰的验证码,如果图片未经处理直接交由tesserocr解析,也可能识别率很低。
通常情况下,我们还需要做些额外的图片处理,如转灰度图,二值化等。
利用Image对应的convert()方法传参L,即可将图片转为灰度图。
image=image.convert('L')
image.show()
传入1即可完成二值化,如下:
image=image.convert('1')
image.show()
当然我们更多时候需要根据图片的实际情况指定二值化的阈值,比如我们将阈值设定为80,先转灰度图,再二值化,代码如下:
import tesserocr from PIL import Image image=Image.open('test.png') 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() print(tesserocr.image_to_text(image))
观察到处理后图片如右:
尽管图片已经转为灰度图,且过滤了大部分杂线,但是图片关键像素丢失严重,识别结果自然也不尽如人意,结果:“VH.”。
此时我们根据图片的实际情况,人为调整程序中预设的阈值到130,再观察:,这次的图片转换效果显著,我们再次查看识别结果,“VHRU”,与肉眼观察到的别无二致,合乎要求。
可见验证码的识别除了用好识别模块,还需要在必要时引入PIL(图片处理模块)进行图片预处理,预处理过程中的阈值等设定也存有技巧,不同的参数设定,会完全影响最终的识别率。
现实中很多网站的验证码要远比例子中的来得复杂,尤其是12306购票网站的验证码,使行为验证码开始高速发展,肉眼分辨起来都异常困难,这就要求我们对验证码的识别技术要不断提升,才能突破网站逐步升级的反爬虫机制。