selenium (八) 图片验证码识别

 

1.需要安装Image 模块,安装时会自动帮我们安装:Installing collected packages: pytz, django, pillow, Image 关联的包
pip install Image

2.安装pytesseract
pip install pytesseract

3.安装tesseract-ocr识别引擎
Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。
下载地址：https://jaist.dl.sourceforge.net/project/tesseract-ocr-alt/tesseract-ocr-setup-3.02.02.exe
安装好后，需要在D:\Tools\Python27\Lib\site-packages\pytesseract\pytesseract.py下将
tesseract_cmd = 'tesseract'
改为：
tesseract_cmd="D:\\Tools\\Tesseract-OCR\\tesseract.exe"也就是Tesseract-OCR的安装路径，
或将该路径添加到环境变量中.要不然调用的时候，会报如下错误：

自己试了几次，这个pytesseract的识别率太低了。经常识别不出图片验证码的内容

第一种方法：

#-*-encoding:utf-8-*-
from selenium import webdriver
from PIL import Image,ImageGrab
from time import sleep
import pytesseract


driver=webdriver.Chrome()
driver.get("http://localhost:8081/tshop/index.php?con=simple&act=login")

def click_register_link():
	driver.find_element_by_link_text(u"立即注册").click()
	sleep(0.5)

	verifyCode=driver.find_element_by_xpath('//*[@id="captcha_img"]').rect  #获取二维码在页面的位置
	start_x=int(verifyCode["x"])
	start_y=int(verifyCode["y"])
	end_x=verifyCode["width"]+start_x   #开始坐标+结束坐标点
	end_y=verifyCode["height"]+start_y  #开始坐标+结束坐标点
	cut_img=(start_x,start_y,end_x,end_y)

	#截取注册页面图片，并保存到test目录下page.png
	driver.get_screenshot_as_file("F:\\testAndStudy\\test\\page.png")

	#打开test目录下，注册页面的图片
	im = Image.open("F:\\testAndStudy\\test\\page.png")

	#根据上面获取到的图片验证码在页面的坐标，将图片验证码剪切出来,保存为verifyCode.png
	region = im.crop(cut_img)
	region.save("F:\\testAndStudy\\test\\verityCode.png")

	#打开截取后的图片验证码
	verityCode = Image.open("F:\\testAndStudy\\test\\verityCode.png")
	sleep(1)

	#调用Pytesseract的image_to_string()方法识别二维码图片，并复制到code中
	code = pytesseract.image_to_string(verityCode)
	print code

if __name__=="__main__":
	click_register_link()

　　

第二种方法：

使用pytesser 模块也是可以对图片的内容进行识别，不过这个识别率会稍微好点，但是，识别的结果还是一样没有达到预期的结果。

下载地址：https://code.google.com/p/pytesser/downloads/detail?name=pytesser_v0.0.1.zip

安装：下载好后，直接解压到Python27\Lib\site-packages下即可，不过由于这个模块本身没有带__init__.py文件，所以，在导入时

会报找不到pytesser模块错误，需要在pytesser下自己建一个__init__.py文件。另外也是要修改pytesser的tesseract_exe_name参数，具体如下

#-*-encoding:utf-8-*-
from pytesser import *
from selenium import webdriver
from PIL import Image,ImageGrab,ImageEnhance
from time import sleep


driver=webdriver.Chrome()
driver.get("http://localhost:8081/tshop/index.php?con=simple&act=login")

def click_register_link():
	driver.find_element_by_link_text(u"立即注册").click()
	sleep(0.5)

	verifyCode=driver.find_element_by_xpath('//*[@id="captcha_img"]').rect  #获取二维码在页面的位置
	start_x=int(verifyCode["x"])
	start_y=int(verifyCode["y"])
	end_x=verifyCode["width"]+start_x   #开始坐标+结束坐标点
	end_y=verifyCode["height"]+start_y  #开始坐标+结束坐标点
	cut_img=(start_x,start_y,end_x,end_y)

	#截取注册页面图片，并保存到test目录下page.png
	driver.get_screenshot_as_file("F:\\testAndStudy\\test\\page.png")

	#打开test目录下，注册页面的图片
	im = Image.open("F:\\testAndStudy\\test\\page.png")

	#根据上面获取到的图片验证码在页面的坐标，将图片验证码剪切出来,保存为verifyCode.png
	region = im.crop(cut_img)
	region.save("F:\\testAndStudy\\test\\verityCode.png")


def print_verityCode():
	#图片验证码处理及打印内容
	sleep(1)
	verityCode = Image.open("F:\\testAndStudy\\test\\verityCode.png")

	#图片处理
	im=Image.open("F:\\testAndStudy\\test\\verityCode.png")
	imgry=im.convert("L")
	# imgry.show()

	threshold = 130
	table=[]
	for i in range(256):
		if i < threshold:
			table.append(0)
		else:
			table.append(1)
	# print table
	out = imgry.point(table,"1")
	out.show()

	#打印验证码内容
	code1 = pytesser.image_file_to_string("F:\\testAndStudy\\test\\verityCode.png")
	code = pytesser.image_to_string(out)

	print code1
	print code

if __name__=="__main__":
	click_register_link()
	print_verityCode()

总结：这两种方法，都是识别图片内容，但是，拿来做图片验证码的识别率相对而言，效果不是很好，因为现在的图片验证码的内容不是大多字符是重叠或者相连的。

导致内容无法识别或者出现识别错误的情况，而且这种识别错误概率非常高（自己跑了好多次，偶尔只有一两次能识别正确的）。

后面在网上找了一些方法，据说可以提高识别的成功率，但目前没有试过也不敢说，有感兴趣的朋友可以去试试，地址：https://www.cnblogs.com/cnlian/p/5765871.html