目前，很多網站為了防止爬蟲肆意模擬瀏覽器登錄，采用增加驗證碼的方式來攔截爬蟲。驗證碼的形式有多種，最常見的就是圖片驗證碼。其他驗證碼的形式有音頻驗證碼，滑動驗證碼等。圖片驗證碼越來越高級，識別難度也大幅提高，就算人為輸入也經常會輸錯。本文主要講解識別弱圖片驗證碼。

1 圖片驗證碼強度

圖片驗證碼主要采用加幹擾線、字符粘連、字符扭曲方式來增強識別難度。

• 加幹擾線

加幹擾線也分為兩種，一種是線條跟字符同等顏色，另一種則線條的顏色是五顏六色。

• 字符粘連

各個字符之間的間隔比較小，互相依靠，能以分割。

• 字符扭曲

字符顯示的位置相對標準旋轉一定角度。

其中最弱的驗證碼為不具備以上的特征，幹擾因素比較小。如下：

2 識別思路

首先對圖片做二值化來降噪處理，去掉圖片中的噪點，幹擾線等。然後將圖片中的單個字符切分出來。最後識別每個字符。

圖片的處理，我采用 Python 標準圖像處理庫 PIL。圖片分割，我暫時采用谷歌開源庫 Tesseract-OCR。字符識別則使用 pytesseract 庫。

3 安裝

• Pillow

我使用的 Python 版本是 3.6， 而標準庫 PIL 不支持 3.x。所以需要使用 Pillow 來替代。Pillow 是專門兼容 3.x 版本的 PIL 的分支。使用 pip 包管理工具安裝 Pillow 是最方便快捷的。

pip install Pillow
# 如果出現因下載失敗導致安裝不上的情況，建議使用代理
pip --proxy http://代理ip:端口 install Pillow

• Tesseract-OCR

Tesseract：開源的OCR識別引擎，初期Tesseract引擎由HP實驗室研發，後來貢獻給了開源軟件業，後經由Google進行改進，消除bug，優化，重新發布。這才讓其重煥新生。

我們可以在 GitHub 上找到該庫並下載。我是下載最新的 4.0 版本。

github 的下載地址是：https://github.com/tesseract-ocr/tesseract/wiki/4.0-with-LSTM#400-alpha-for-windows

• pytesseract

pytesseract 是 Tesseract-OCR 對進行包裝，提供 Python 接口的庫。同樣可以使用 pip 方式來安裝。

pip install pytesseract
# 如果出現因下載失敗導致安裝不上的情況，建議使用代理
pip --proxy http://代理ip:端口 install pytesseract

4 代碼實現

4.1 獲取並打開圖片

獲取圖片驗證碼，你可以通過使用網絡請求庫下載。我為了方便，將圖片下載到本地並放在項目目錄下。

from PIL import Image
‘‘‘
獲取圖片
‘‘‘
def getImage():
    fileName = ‘16.jpg‘
    img = Image.open()
    # 打印當前圖片的模式以及格式
    print(‘未轉化前的: ‘, img.mode, img.format)
    # 使用系統默認工具打開圖片
    # img.show()
    return img

4.2 預處理

這一步主要是將圖片進行降噪處理, 把圖片從 "RGB" 模式轉化為 "L" 模式，也就是把彩色圖片變成黑白圖片。再處理掉背景噪點，讓字符和背景形成黑白的反差。

‘‘‘
1) 將圖片進行降噪處理, 通過二值化去掉後面的背景色並加深文字對比度
‘‘‘
def convert_Image(img, standard=127.5):
    ‘‘‘
    【灰度轉換】
    ‘‘‘
    image = img.convert(‘L‘)

    ‘‘‘
    【二值化】
    根據閾值 standard , 將所有像素都置為 0(黑色) 或 255(白色), 便於接下來的分割
    ‘‘‘
    pixels = image.load()
    for x in range(image.width):
        for y in range(image.height):
            if pixels[x, y] > standard:
                pixels[x, y] = 255
            else:
                pixels[x, y] = 0
    return image

打開彩色圖片，PIL 會將圖片解碼為三通道的 “RGB” 圖像。調用 convert(‘L‘) 才會把圖片轉化為黑白圖片。其中模式 “L” 為灰色圖像, 它的每個像素用 8 個bit表示, 0 表示黑, 255 表示白, 其他數字表示不同的灰度。

在 PIL 中，從模式 “RGB” 轉換為 “L” 模式是按照下面的公式轉換的：

L = R 的值 x 299/1000 + G 的值 x 587/1000+ B 的值 x 114/1000

圖像的二值化，就是將圖像上的像素點的灰度值兩極分化(設置為 0 或 255，0表示黑，255表示白)，也就是將整個圖像呈現出明顯的只有黑和白的視覺效果。目的是加深字符與背景的顏色差，便於 Tesseract 的識別和分割。對於閾值的選取，我采用比較暴力的做法，直接使用 0 和 255 的平均值。

4.3 識別

經過上述處理，圖片驗證碼中的字符已經變成很清晰了。

最後一步是直接用 pytesseract 庫識別。

import pytesseract
‘‘‘
使用 pytesseract 庫來識別圖片中的字符
‘‘‘
def change_Image_to_text(img):
    ‘‘‘
    如果出現找不到訓練庫的位置, 需要我們手動自動
    語法: tessdata_dir_config = ‘--tessdata-dir "<replace_with_your_tessdata_dir_path>"‘
    ‘‘‘
    testdata_dir_config = ‘--tessdata-dir "C:\\Program Files (x86)\\Tesseract-OCR\\tessdata"‘
    textCode = pytesseract.image_to_string(img, lang=‘eng‘, config=testdata_dir_config)
    # 去掉非法字符，只保留字母數字
    textCode = re.sub("\W", "", textCode)
    return textCode

Tesseract-ORC 默認是沒有指定安裝路徑。我們需要手動指定本地 Tesseract 的路徑。不然會報出這樣的錯誤：

FileNotFoundError: [WinError 2] 系統找不到指定的文件

具體解決方案是：

使用文本編輯器打開 pytesseract 庫的 pytesseract.py 文件，一般路徑如下：

C:\Program Files (x86)\Python35-32\Lib\site-packages\pytesseract\pytesseract.py

將 tesseract_cmd 修改成你電腦本地的 Tesseract-OCR 的安裝路徑。

# CHANGE THIS IF TESSERACT IS NOT IN YOUR PATH, OR IS NAMED DIFFERENTLY
tesseract_cmd = ‘C:/Program Files (x86)/Tesseract-OCR/tesseract.exe

最後執行字符識別的實例代碼

def main():
    img = convert_Image(getImage(fileName))
    print(‘識別的結果：‘, change_Image_to_text(img))

if __name__ == ‘__main__‘:
    main()

運行結果如下：

未轉化前的:  RGB JPEG
識別的結果： 9834

5 總結

Tesseract-ORC 對於這種弱驗證碼識別率還是可以，大部分字符能夠正確識別出來。只不過有時候會將數字 8 識別為 0。如果圖片驗證碼稍微變得復雜點，識別率大大降低，會經常識別不出來的情況。我自己也嘗試收集 500 張圖片來訓練 Tesseract-ORC，識別率會有所提升，但識別率還是很低。

如果想要做到識別率較高，那麽需要使用 CNN (卷積神經網絡)或者 RNN (循環神經網絡)訓練出自己的識別庫。正好機器學習很火爆很流行，學習一下也無妨。

轉自：https://cloud.tencent.com/developer/article/1187805

Python學習交流群：548377875

作者：猴哥

Python 實現識別弱圖片驗證碼