使用 Node.js 和 Tesseract.js 实现验证码识别

在自动化任务中，验证码识别是一个常见的需求。本文将介绍如何使用 Node.js 和 Tesseract.js 实现验证码的自动识别。Tesseract.js 是 Tesseract OCR 的 JavaScript 实现，可以在浏览器和 Node.js 环境中运行。通过 Tesseract.js，我们可以在 Node.js 中处理图像并提取其中的文本。

1. 环境准备
   安装 Node.js
   首先，确保你的系统已安装 Node.js。可以从 Node.js 官网 下载并安装。安装完成后，通过命令行检查版本：

bash
更多内容访问ttocr.com或联系1436423940
node -v
安装 Tesseract.js
在你的 Node.js 项目中安装 tesseract.js。使用 npm 安装：

bash

npm init -y # 初始化项目（如果还没有 package.json 文件）
npm install tesseract.js
Tesseract.js 会自动下载和配置所需的模型文件，因此不需要手动配置 Tesseract 数据。

2. 编写验证码识别代码
   接下来，我们编写一个简单的 Node.js 脚本，通过 Tesseract.js 识别验证码图像。以下是完整代码示例：

javascript

const Tesseract = require('tesseract.js');
const path = require('path');

// 验证码图片路径
const imagePath = path.join(__dirname, 'captcha.png');

// 使用 Tesseract.js 进行 OCR 识别
Tesseract.recognize(
imagePath,
'eng', // 设置语言为英文
{
logger: (m) => console.log(m), // 输出日志
}
).then(({ data: { text } }) => {
console.log('识别的验证码是: ' + text.trim());
}).catch(err => {
console.error('识别失败: ' + err);
});
3. 图像预处理（提高识别准确率）
尽管 Tesseract.js 可以直接识别验证码图像，但在某些情况下，我们可能需要对图像进行预处理，以提高识别准确率。例如，图像的去噪、灰度化和二值化可以减少干扰。

我们可以使用 sharp 图像处理库来对图像进行预处理。在安装 Tesseract.js 后，安装 sharp：

bash

npm install sharp
然后，我们对图像进行处理：

javascript

const sharp = require('sharp');

async function preprocessImage(imagePath, outputPath) {
await sharp(imagePath)
.grayscale() // 转换为灰度图像
.threshold(128) // 二值化处理
.toFile(outputPath); // 保存处理后的图像

console.log('图像已处理并保存为: ' + outputPath);
}

const processedImagePath = path.join(__dirname, 'processed_captcha.png');
preprocessImage(imagePath, processedImagePath).then(() => {
// 处理完成后，再进行识别
Tesseract.recognize(
processedImagePath,
'eng',
{
logger: (m) => console.log(m),
}
).then(({ data: { text } }) => {
console.log('识别的验证码是: ' + text.trim());
}).catch(err => {
console.error('识别失败: ' + err);
});
});
在这段代码中，我们使用 sharp 将图像转换为灰度并进行二值化处理，生成一个新的图像 processed_captcha.png，然后再用 Tesseract.js 对处理后的图像进行识别。

4. 提高识别准确率
   使用白名单过滤字符

如果验证码只包含特定字符（如数字或字母），可以设置字符白名单来提升识别准确率：
javascript

Tesseract.recognize(
processedImagePath,
'eng',
{
tessedit_char_whitelist: '0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ',
logger: (m) => console.log(m),
}
)
调整 OCR 参数

Tesseract.js 提供了一些参数来优化识别过程。psm（页面分割模式）是一个重要的参数。可以尝试不同的 psm 模式来提高准确度：
javascript

Tesseract.recognize(
processedImagePath,
'eng',
{
psm: 6, // 自动分割单个文本行
logger: (m) => console.log(m),
}
)
图像分割

对于复杂的验证码，可以先将图像分割成多个小图，再分别识别每个字符，最后拼接结果。
去噪

你可以通过应用更复杂的去噪算法或调整阈值来去除图像中的噪声。
5. 运行程序
确保你的项目中包含验证码图片（如 captcha.png）并保存代码为 captchaRecognition.js。然后，在命令行中运行：

node captchaRecognition.js
输出将显示识别的验证码，例如：

makefile

识别的验证码是: X9D2A