本帖最后由 roshinntou 于 2021-4-14 17:54 编辑
如图，我们在使用python自动化的时候经常会遇到很多各式各样的验证码。这个是一个数字加法的验证码。
干扰项里包含完整的数字、字母信息，普通的OCR识别可能不是很准确。
但是不管怎们样，咱们先把必要的环境搭建起来，试一下Tesseract的识别结果吧。
首先需要下载Tesseract的安装包 官方网址：https://digi.bib.uni-mannheim.de/tesseract/，网上的教程很多推荐安装名称里不带dev的正式版，据说更稳定
安装完毕之后需要配置一下环境变量，分为两步：
1、在path里加入安装路径，及安装路径内的tessdata文件夹路径。
2、新建系统变量{TESSDATA_PREFIX：E:\Program Files (x86)\Tesseract-OCR\tessdata} 这里变量名是固定的TESSDATA_PREFIX，值是刚刚提到的安装路径内下一级tessdata文件夹的完整路径
然后命令行里 安装pytesseract：
[Python] 纯文本查看 复制代码 pip install pytesseract
完成以上步骤之后，请重新启动电脑。
直接调用ocr识别出结果的话，只需要3行代码：
[Python] 纯文本查看 复制代码 import pytesseract
text = pytesseract.image_to_string('图片路径或者内存的图片对象')
print(text)
但是对于这个验证码的效果不是非常好，比如：
要么是没有结果，要么就是一堆乱七八糟的东西。
这样肯定是用不了的
那么只能先处理一下图片了
我下载了20张这个网站的二维码，发现了以下规律：
1、验证码内容一定包含“ = 2位数字+2位数字”的
2、验证码内容的颜色是随机的。
3、验证码内容的位置应该是固定的（20张图片的加号都在同一位置）
4、验证码图片的干扰内容包含字母、数字、符号
5、验证码图片的干扰内容颜色没有跟主要内容一模一样，但是每张图的干扰项一定包含主要内容颜色相近的部分。
可以看到，根据字体的不同，显示的时候，主干是棕色的，但是构成这个字的边员颜色是稍微淡一些的。不过20张图里都没有发现有干扰项的颜色跟主要内容颜色一模一样。
所以我的想法是因为存在主干的近似色，所以主要的滤波手段可能导致把图片变得更难处理的可能性，索性不如直接获取主干颜色，其他像素不是主干颜色的全部以白色替代，删除干扰项之后再进行识别。
主干颜色可以使用固定的加号的正中间那一点的坐标获取。（80，23）（80，24）
代码如下：
[Python] 纯文本查看 复制代码 # -*- coding: utf-8 -*-
"""
Created on Wed Apr 14 16:23:47 2021
@author: roshinntou
"""
from PIL import Image
import pytesseract
def images_to_string(index):
#导入图片，抓取的时候可以直接获取io流
img1= Image.open('index ('+str(index)+').png')
#获取图片的长宽
w,h = img1.size
print('Original image size: %sx%s' % (w, h))
'''
因为是PNG图片，像素不是直接以RGB保存的，PNG的每个像素里还有透明度
我们不需要处理透明度，tesseract对于白色和不透明的识别是一样的，这里就转成RGB
如果图片是jpg的，可以直接使用，不需要 convert
'''
img1rbg = img1.convert('RGB')
#读取全部的像素数据
src_strlist = img1rbg.load()
#获取主干颜色
data = src_strlist[80,23]
print(data)
#双层循环开始替换全部的像素点颜色
for x in range(0,w):
for y in range(0,h):
#判断当前点颜色是否等于主干颜色
co = src_strlist[x,y]
if co !=data:
src_strlist[x,y] = (245, 245, 255)
#直接调用内存里的PIL image对象进行图片识别
text = pytesseract.image_to_string(img1rbg)
text = text.replace(" ","").replace("\r\n","").replace(" ","").replace("\r","").replace("\n","")
#打印结果
print(text)
#保存图片
img1rbg.save(text+'.png')
if __name__ == '__main__':
for i in range(1,21):
images_to_string(i)
文件如下：
结语：
准确率我大概看了一下，应该是100%的。以上算是成功破解了对方网站的验证码。
验证码的识别整体思路应该就是这样子了，当然我举得例子是比较简单的验证码。还有各种麻烦的验证码，未来可能需要用到截取、卷积、滤波、清洗等等方法，需要根据实际的情况灵活的使用，但是整体的思路就是：
找到验证码规律，根据规律清洗干扰噪点，然后识别。希望可以启发到大家。
最后的最后，现在已经可以获取验证码的字符串了，计算结果非常简单我就不做了。有兴趣的可以试试，我会把所有图片、源代码打包，大家可以下载了试一下。
Tesseract安装的时候，系统变量那里2步都不能少，少一个程序执行就会报错，切记
yzm.zip
(41.49 KB, 下载次数: 23)
| 
发表于 2021-4-14 17:51
|
发表于 2021-4-15 12:04
