在學習爬蟲的過程中難免會遇到驗證碼問題，作為純自動化的爬蟲是不可能手動去輸入驗證碼的。

那麼我們就要學會怎麼去識別它。

而驗證碼也分很多種類，主要的幾種：

（1）影象驗證碼：這是最簡單的一種，也很常見。就比如CSDN登入幾次失敗之後就會出驗證碼。

（2）滑塊驗證碼：需要按住滑塊並移到正確的位置。比如bilibili的登入驗證。（這個我也寫過識別程式碼，原始碼託管github：https://github.com/OSinoooO/bilibili_geetest。可以去看一看呀QAQ）

（3）點觸驗證碼：需要識別圖片中的文字或型別並按序點選。比如12306的登入驗證。

（4）宮格驗證碼

準備工作

我們這次要識別的影象驗證碼，需要用到tesserocr庫，但是安裝tesserocr庫之前，需要先安裝好相應版本的tesseract。因為tesserocr是基於tesseract來封裝的庫。

安裝tesseract

檔案帶dev的是開發版本，不帶dev的是穩定版本。

選擇需要的版本後開始下載，然後安裝配置比較簡單，就不多說了。語言包的作用就是可以識別多國語言，可在安裝選項裡選擇，也可以自行下載。（下載後的語言包需要解壓後放到Tesseract-OCR

安裝好之後開啟cmd，輸入tesseract，如果出現以下資訊就說明安裝成功。

安裝tesserocr

tesseract安裝好以後就可以安裝tesserocr了。

github上有較為詳盡的安裝說明，大多數情況下我們可以在cmd下通過pip來安裝：（前提是安裝了pip，一般python都自帶）

pip install tesserocr

但是由於windows下tesserocr 2.3.0版本目前還沒有，所以pip安裝在Windows下面會報錯。

解決方法之一是通過wheel安裝：

2.通過如下命令安裝：（需要與下載檔案在同一目錄下）

pip install 檔名.whl

        至少我遇到的錯誤是解決了 - -

程式碼構建

完成上述準備工作之後，就可以開始寫程式碼了。

程式碼邏輯是很簡單的，為了便於理解和以後的呼叫，我把它封裝成了一些方法：

初始化

from PIL import Image
import tesserocr, requests

# 圖片下載連結
image_url = 'https://passport.csdn.net/ajax/verifyhandler.ashx'
# 圖片儲存路徑
image_path = 'image/captcha.jpg'

首先匯入必要的包，然後初始化連線（可修改）和路徑（可修改）。

圖片下載和獲取

def image_download():
    """
    圖片下載
    """
    response = requests.get(image_url)
    with open(image_path, 'wb') as f:
        f.write(response.content)

def get_image():
    """
    用Image獲取圖片檔案
    :return: 圖片檔案
    """
    image = Image.open(image_path)
    return image

影象處理

def image_grayscale_deal(image):
    """
    圖片轉灰度處理
    :param image:圖片檔案
    :return: 轉灰度處理後的圖片檔案
    """
    image = image.convert('L')
    #取消註釋後可以看到處理後的圖片效果
    #image.show()
    return image

def image_thresholding_method(image):
    """
    圖片二值化處理
    :param image:轉灰度處理後的圖片檔案
    :return: 二值化處理後的圖片檔案
    """
    # 閾值，控制二值化程度，自行調整（不能超過256）
    threshold = 160
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    # 圖片二值化，此處第二個引數為數字一
    image = image.point(table, '1')
    # 取消註釋後可以看到處理後的圖片效果 
    #image.show()
    return image

經過轉灰度和二值化處理之後的圖片更加容易識別，可以通過 show() 方法來顯示處理後的圖片。

處理前：

轉灰度處理後：

二值化處理後：

影象識別

def captcha_tesserocr_crack(image):
    """
    影象識別
    :param image: 二值化處理後的圖片檔案
    :return: 識別結果
    """
    result = tesserocr.image_to_text(image)
    return result

呼叫tesserocr的image_to_text()方法識別：

然後通過呼叫上述方法，就可以實現自動識別驗證碼了。

PS：不是每次識別都能成功，要想提高成功率，需要下載訓練好的語言包。（下載網速巨慢！！！）

        還有就是用深度學習的方法去訓練機器~

from PIL import Image
import tesserocr, requests

# 圖片下載連結
image_url = 'http://my.cnki.net/elibregister/CheckCode.aspx'
# 圖片儲存路徑
image_path = 'image/captcha.jpg'

def image_download():
    """
    圖片下載
    """
    response = requests.get(image_url)
    with open(image_path, 'wb') as f:
        f.write(response.content)

def get_image():
    """
    用Image獲取圖片檔案
    :return: 圖片檔案
    """
    image = Image.open(image_path)
    return image

def image_grayscale_deal(image):
    """
    圖片轉灰度處理
    :param image:圖片檔案
    :return: 轉灰度處理後的圖片檔案
    """
    image = image.convert('L')
    #取消註釋後可以看到處理後的圖片效果
    #image.show()
    return image

def image_thresholding_method(image):
    """
    圖片二值化處理
    :param image:轉灰度處理後的圖片檔案
    :return: 二值化處理後的圖片檔案
    """
    # 閾值
    threshold = 160
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    # 圖片二值化，此處第二個引數為數字一
    image = image.point(table, '1')
    #取消註釋後可以看到處理後的圖片效果
    #image.show()
    return image

def captcha_tesserocr_crack(image):
    """
    影象識別
    :param image: 二值化處理後的圖片檔案
    :return: 識別結果
    """
    result = tesserocr.image_to_text(image)
    return result

if __name__ == '__main__':
    image_download()
    image = get_image()
    img1 = image_grayscale_deal(image)
    img2 = image_thresholding_method(img1)
    print(captcha_tesserocr_crack(img2))