Python 和 pytesseract 实现验证码识别

验证码识别是一个常见的自动化需求，广泛应用于数据抓取、自动登录等场景。本文将介绍如何使用 Python 和 pytesseract（一种 Tesseract OCR 的封装库）实现英文数字验证码的自动化识别。

环境准备
安装 Tesseract OCR
Tesseract 是一个开源的光学字符识别（OCR）引擎，可识别多种语言和字符。首先，需要在系统中安装 Tesseract：

Windows 用户：从 Tesseract 官方 GitHub 下载并安装。
Linux 用户：运行以下命令安装：
bash
更多内容访问ttocr.com或联系1436423940
sudo apt install tesseract-ocr
macOS 用户：通过 Homebrew 安装：
bash

brew install tesseract
安装完成后，在终端中运行以下命令，验证安装是否成功：

bash

tesseract --version
安装 Python 和所需库
确保系统中已安装 Python（推荐版本 3.7 或以上）。然后安装必要的依赖库：

bash

pip install pytesseract pillow
2. 编写验证码识别代码
以下是完整的 Python 代码示例，用于加载验证码图像并识别其内容：

python

from PIL import Image
import pytesseract

设置 Tesseract 的路径（如果需要）

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

def recognize_captcha(image_path):
try:
# 打开图像
img = Image.open(image_path)

    # 使用 Tesseract OCR 识别文字
    text = pytesseract.image_to_string(img, lang='eng')
    
    return text.strip()
except Exception as e:
    return f"识别失败: {e}"

验证码图像路径

captcha_image = "captcha.png"

执行识别

result = recognize_captcha(captcha_image)
print(f"识别的验证码是: {result}")
3. 图像预处理
为了提高识别准确率，可以在调用 OCR 前对图像进行处理，例如灰度化、二值化或降噪。以下代码演示了如何使用 Pillow 库进行图像预处理：

灰度化和二值化
python

from PIL import Image

def preprocess_image(input_path, output_path):
# 打开图像
img = Image.open(input_path)

# 转换为灰度图像
gray = img.convert('L')

# 二值化（设定阈值为128）
binary = gray.point(lambda x: 0 if x < 128 else 255, '1')

# 保存处理后的图像
binary.save(output_path)

原始图像路径和处理后图像路径

input_image = "captcha.png"
processed_image = "processed_captcha.png"

preprocess_image(input_image, processed_image)
print(f"图像预处理完成，保存为 {processed_image}")
将预处理后的图像传递给 OCR 识别函数：

python

result = recognize_captcha(processed_image)
print(f"识别的验证码是: {result}")
4. 优化识别效果
调整 OCR 参数

可以通过设置 Tesseract 的 config 参数来优化识别。例如，只识别数字和字母：
python

text = pytesseract.image_to_string(img, config='--psm 6 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ')
降噪处理

对于噪点较多的验证码图像，可以尝试使用滤波器去除噪点，例如：
python

from PIL import ImageFilter

def denoise_image(image_path, output_path):
img = Image.open(image_path)
filtered_img = img.filter(ImageFilter.MedianFilter(size=3))
filtered_img.save(output_path)

denoise_image("captcha.png", "denoised_captcha.png")
自定义训练

如果验证码字体特殊，可以为 Tesseract 创建自定义的训练数据，从而显著提高识别准确率。
5. 运行代码
将上述代码保存为 captcha_recognition.py，并将验证码图像保存为 captcha.png。在终端运行以下命令：

bash

python captcha_recognition.py
程序会加载图像，进行预处理并识别，输出类似以下的结果：

makefile

识别的验证码是: A12B3C