python验证码识别

在自动化测试中往往会遇到校验验证码的页面，如果无法规避验证码，可通过OCR识别库tesseract来识别验证码，从而通过验证码校验。

安装tesseract

tesseract 是OCR识别软件,是识别验证码的核心软件。

OCR，即Optical 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。

下载链接：https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v5.0.0-alpha.20190708.exe
下载完成后，傻瓜式安装。该软件默认支持英文，如果需要识别其他语言的字符，可以在选择组件时添加其他语言数据：

选择组件
安装完成后，将该软件安装目录添加至环境变量（方便后续直接在命令行中使用tesseract命令）：
添加环境变量

安装pytesseract

pytesseract是python图像识别库，基于tesseract做了python api的封装。
在命令行中输入:

pip install pytesseract

pytesseract安装成功后，需要修改该库pytesseract.py文件源码，将tesseract_cmd的值改为安装目录下tesseract.exe的绝对路径（本机该路径为D:/DevSoftware/Tesseract/tesseract.exe）：

修改pytesseract.py源码

安装pillow

PIL：Python Imaging Library，是Python平台事实上的图像处理标准库。由于PIL仅支持到Python 2.7，于是一群志愿者在PIL的基础上创建了兼容的版本，名字叫Pillow，支持最新Python 3.x，又加入了许多新特性。

在命令行输入：

pip install pillow

识别图片

安装好必要的软件及python第三方库后，下面使用简单图片做个演示。
准备图片pillow.png:

pillow.png

代码：

from PIL import Image
from pytesseract import image_to_string

if __name__ == '__main__':
    im = Image.open('pillow.png')
    print(image_to_string(im))

代码执行后，打印出：

Pillow

可以看到这种简单的图片，pytesseract 能够正确识别，如果换上稍微复杂点的图片呢。如验证码图片：
vcode.jpg:

vcode.jpg

修改代码：

from PIL import Image
from pytesseract import image_to_string

if __name__ == '__main__':
    im = Image.open('vcode.jpg')
    print(image_to_string(im))

执行后打印出：

KAP 8)

显然，稍微复杂点的图片就处理得不尽人意，为了提高图片文字的辨识度，这里需要对图像进行灰度处理、二值化。

from PIL import Image
from pytesseract import image_to_string

im = Image.open('vcode.jpg')


def img_deal(image, threshold=100):
    image=image.convert('L')
    table=[]
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    return image.point(table,'1')


image = img_deal(im)
image.show()
print(image_to_string(image))

其中image.show()执行后可以看到图片处理后所显示的形象：

处理后的图片
打印出了正确的验证码字符：

K4P8

注意：虽然进行灰度处理、二值化后，图片的辨识度有了一定提升，但面对较为复杂的验证码还是显得力不从心。真正做自动化测试时，尽量和开发沟通提供方式避开验证码。