[Python][爬虫]利用OCR技术识别图形验证码

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