目前，很多网站为了防止爬虫肆意模拟浏览器登录，采用增加验证码的方式来拦截爬虫。

验证码的形式有多种，最常见的就是图片验证码。其他验证码的形式有音频验证码，滑动验证码等。图片验证码越来越高级，识别难度也大幅提高，就算人为输入也经常会输错。

本文主要讲解识别弱图片验证码。

1.图片验证码强度

图片验证码主要采用加干扰线、字符粘连、字符扭曲方式来增强识别难度。

  • 加干扰线
    加干扰线也分为两种，一种是线条跟字符同等颜色，另一种则线条的颜色是五颜六色。
    线条跟字符同等颜色
    线条的颜色是五颜六色

  • 字符粘连
    各个字符之间的间隔比较小，互相依靠，能以分割。
    字符粘连的验证码

  • 字符扭曲
    字符显示的位置相对标准旋转一定角度。
    位置相对标准旋转一定角度的验证码
    位置相对标准旋转一定角度的验证码

其中最弱的验证码为不具备以上的特征，干扰因素比较小。如下：
干扰因素比较小的验证码

2.识别思路

首先对图片做二值化来降噪处理，去掉图片中的噪点，干扰线等。然后将图片中的单个字符切分出来。最后识别每个字符。

图片的处理，我采用 Python 标准图像处理库 PIL。图片分割，我暂时采用谷歌开源库 Tesseract-OCR。字符识别则使用 pytesseract 库。

3.安装

  • Pillow

我使用的 Python 版本是 3.6， 而标准库 PIL 不支持 3.x。所以需要使用 Pillow 来替代。Pillow 是专门兼容 3.x 版本的 PIL 的分支。使用 pip 包管理工具安装 Pillow 是最方便快捷的。

1
2
3
pip install Pillow
# 如果出现因下载失败导致安装不上的情况，建议使用代理
pip --proxy http://代理ip:端口 install Pillow
  • Tesseract-OCR

Tesseract：开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后经由Google进行改进，消除bug，优化，重新发布。这才让其重焕新生。

我们可以在 GitHub 上找到该库并下载。我是下载最新的 4.0 版本。

Tesseract下载地址
  • pytesseract

pytesseract 是 Tesseract-OCR 对进行包装，提供 Python 接口的库。同样可以使用 pip 方式来安装。

1
2
3
pip install pytesseract
# 如果出现因下载失败导致安装不上的情况，建议使用代理
pip --proxy http://代理ip:端口 install pytesseract

4.代码实现

4-1.获取并打开图片

获取图片验证码，你可以通过使用网络请求库下载。我为了方便，将图片下载到本地并放在项目目录下。

1
2
3
4
5
6
7
8
9
10
11
12
from PIL import Image
'''
获取图片
'''
def getImage():
    fileName = '16.jpg'
    img = Image.open()
    # 打印当前图片的模式以及格式
    print('未转化前的: ', img.mode, img.format)
    # 使用系统默认工具打开图片
    # img.show()
    return img

4-2.预处理

这一步主要是将图片进行降噪处理, 把图片从 “RGB” 模式转化为 “L” 模式，也就是把彩色图片变成黑白图片。再处理掉背景噪点，让字符和背景形成黑白的反差。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
'''
1) 将图片进行降噪处理, 通过二值化去掉后面的背景色并加深文字对比度
'''
def convert_Image(img, standard=127.5):
    '''
    【灰度转换】
    '''
    image = img.convert('L')

    '''
    【二值化】
    根据阈值 standard , 将所有像素都置为 0(黑色) 或 255(白色), 便于接下来的分割
    '''
    pixels = image.load()
    for x in range(image.width):
        for y in range(image.height):
            if pixels[x, y] > standard:
                pixels[x, y] = 255
            else:
                pixels[x, y] = 0
    return image

打开彩色图片，PIL 会将图片解码为三通道的 “RGB” 图像。调用 convert(‘L’) 才会把图片转化为黑白图片。

其中模式 “L” 为灰色图像, 它的每个像素用 8 个bit表示, 0 表示黑, 255 表示白, 其他数字表示不同的灰度。

在 PIL 中，从模式 “RGB” 转换为 “L” 模式是按照下面的公式转换的：
L = R 的值 x 299/1000 + G 的值 x 587/1000+ B 的值 x 114/1000

图像的二值化，就是将图像上的像素点的灰度值两极分化(设置为 0 或 255，0表示黑，255表示白)，也就是将整个图像呈现出明显的只有黑和白的视觉效果。

目的是加深字符与背景的颜色差，便于 Tesseract 的识别和分割。

对于阈值的选取，我采用比较暴力的做法，直接使用 0 和 255 的平均值。

4-3.识别

经过上述处理，图片验证码中的字符已经变成很清晰了。

图片验证码中的字符已经变成很清晰

最后一步是直接用 pytesseract 库识别。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
import pytesseract
'''
使用 pytesseract 库来识别图片中的字符
'''
def change_Image_to_text(img):
    '''
    如果出现找不到训练库的位置, 需要我们手动自动
    语法: tessdata_dir_config = '--tessdata-dir "<replace_with_your_tessdata_dir_path>"'
    '''
    testdata_dir_config = '--tessdata-dir "C:\\Program Files (x86)\\Tesseract-OCR\\tessdata"'
    textCode = pytesseract.image_to_string(img, lang='eng', config=testdata_dir_config)
    # 去掉非法字符，只保留字母数字
    textCode = re.sub("\W", "", textCode)
    return textCode

Tesseract-ORC 默认是没有指定安装路径。我们需要手动指定本地 Tesseract 的路径。不然会报出这样的错误：

1
FileNotFoundError: [WinError 2] 系统找不到指定的文件

具体解决方案是：
使用文本编辑器打开 pytesseract 库的 pytesseract.py 文件，一般路径如下：
C:\Program Files (x86)\Python35-32\Lib\site-packages\pytesseract\pytesseract.py

将 tesseract_cmd 修改成你电脑本地的 Tesseract-OCR 的安装路径。

1
2
# CHANGE THIS IF TESSERACT IS NOT IN YOUR PATH, OR IS NAMED DIFFERENTLY
tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract.exe'

最后执行字符识别的实例代码

1
2
3
4
5
6
def main():
    img = convert_Image(getImage(fileName))
    print('识别的结果：', change_Image_to_text(img))

if __name__ == '__main__':
    main()

运行结果如下：

1
2
未转化前的:  RGB JPEG
识别的结果： 9834

5.总结

Tesseract-ORC 对于这种弱验证码识别率还是可以，大部分字符能够正确识别出来。

只不过有时候会将数字 8 识别为 0。如果图片验证码稍微变得复杂点，识别率大大降低，会经常识别不出来的情况。

我自己也尝试收集 500 张图片来训练 Tesseract-ORC，识别率会有所提升，但识别率还是很低。

如果想要做到识别率较高，那么需要使用 CNN (卷积神经网络)或者 RNN (循环神经网络)训练出自己的识别库。

正好机器学习很火爆很流行，学习一下也无妨。