前言

目前，许多网站采取各种各样的措施来反爬虫，其中一个措施便是使用验证码。随着技术的发展，验证码的花样越来越多。验证码由最初的几个数字组合的简单的图形验证码，后来加入了英文字母和混淆曲线。有的网站还可以看到中文字符的验证码，这使得识别愈发困难。

现在交互式验证码越来越多，如滑动验证码，需要滑动拼合滑块才可以完成验证，点触验证码需要完全点击正确的结果才可以完成验证，另外还有滑动宫格验证码、计算题验证码等等。

验证码变得越来越复杂，爬虫的工作也变得愈发困难。有时候我们必须通过验证码的验证才能访问页面。

本次分享的知识就是教会大家验证码的识别做讲解。

图片验证码的识别

我们首先做最简单的一种验证码，即图形验证码。这种验证码出现的最早，现在也很常见，一般由4位字母或数字组成。

举个简单的例子，中国知网的注册页面就有类似的验证码。网页链接如下：

https://my.cnki.net/Register/CommonRegister.aspx

image

表单的最后一项就是图形验证码，我们必须完全正确的输入图中的字符才可以完成注册。

准备工作

识别图形需要用到库：tesserocr。

在爬虫过程中，难免会遇到各种各样的验证码，有些验证码就是图形验证码，这个时候我们可以直接使用OCR来识别。

1、OCR

0CR，即Opticla Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图片验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。

tesserocr是Python一个OCR识别库，但其实对于一个tesseract做的一层Python API封装，所以它的核心是tesseract。因此，在安装tesserocr之前，我们需要先安装tesseract。

下载链接如下：

https://digi.bib.uni-mannheim.de/tesseract/

image

这里可以选择下载5.0的版本，下载之后安装方式还是比较简单的，直接下一步即可。

安装完毕之后将安装目录下的testdata文件复制到Python安装目录下，具体如下图所示：

image

接下来，再安装tessercor即可，此时可以使用pip进行安装：

pip install tesserocr pillow

为了防止安装错误，可以直接安装whl文件，安装这个库对版本要求比较高。下载链接如下：

https://github.com/simonflueckiger/tesserocr-windows_build/releases

image

这里我选择下载2.4.0版本，注意一定要使用Python3.7版本，否则会不兼容。

获取验证码

为了便于实验，我们先将验证码的图片保存下来。

打开开发者工具，找到验证码元素。验证码元素是一张图片，这张图片的链接是：

https://my.cnki.net/Register/CheckCode.aspx

打开链接就可以看到一张，图片，那个就是图片验证码，如下图所示：

image

识别测试

将验证码图片放在项目的根目录下，用tesserocr库识别该验证码，代码如下所示：

import tesserocr
from PIL import Image

image = Image.open('test3.jpg')
result = tesserocr.image_to_text(image)
print(result)

首先创建了一个image对象，然后调用了tesserocr下的image_to_text()方法。传入该image对象即可完成识别。

然而，有些时候也难免会识别错误。因此，我们需要对图片再做处理，如转灰度、二值化操作。

我们可以利用Image对象的convert()方法传入参数L，即可将图片转化为灰度图像。

具体代码，如下所示：

from PIL import Image


image = Image.open('test3.jpg')
image = image.convert('L')
image.show()

传入1即可将图片进行二值化处理，如下所示：

import tesserocr
from PIL import Image


image = Image.open('test3.jpg')
image = image.convert('1')
image.show()

我们还可以指定二值化的阀值。上面的方法采用的是默认阀值127.不过，我们不能直接转化为原图，首先要将原图先转为灰度图像，然后再制定阀值，当我们把验证码中的线条都去掉之后再重新来识别图片，会更加准确。

具体代码，如下所示：

import tesserocr
from PIL import Image

image = Image.open('test3.jpg')
image = image.convert('L')
threshold = 123 # 指定阀值
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
image = image.point(table, '1')
image.show()

result = tesserocr.image_to_text(image)
print(result)

image

本次分享的内容让大家了解到了如何使用tesserocr以及它的安装过程，如果大家在安装过程中出现了什么问题也可以和我联系。

资源获取

本次文章中所涉及到的文件几个，如下图所示：

image-20210226211834951

毕竟上面的两个文件，我们都要通过访问国外的网站才能获取到，因此这里我给你们打包好了。

公众号回复【图片验证码】即可获取。

最后

没有什么事情是可以一蹴而就的，生活如此，学习亦是如此！

因此，哪里会有什么三天速成，七天速成的说法呢？

唯有坚持，方能成功！

啃书君说：

文章的每一个字都是我用心敲出来的，只希望对得起每一位关注我的人。在文章末尾点【赞】，让我知道，你们也在为自己的学习拼搏和努力。

路漫漫其修远兮，吾将上下而求索。

我是啃书君，一个专注于学习的人，你懂的越多，你不懂的越多。更多精彩内容，我们下期再见！