python爬虫高级技术：破解验证码

验证码探究

如果你是一个数据挖掘爱好者，那么验证码是你避免不过去的一个天坑，和各种验证码斗争，必然是你成长的一条道路，接下来的几篇文章，我会尽量的找到各种验证码，并且去尝试解决掉它，中间有些技术甚至我都没有见过，来吧，一起Coding吧

数字+字母的验证码

我随便在百度图片搜索了一个验证码，如下

今天要做的是验证码识别中最简单的一种办法，采用pytesseract解决，它属于Python当中比较简单的OCR识别库

库的安装

使用pytesseract之前，你需要通过pip 安装一下对应的模块 ，需要两个

pytesseract库还有图像处理的pillow库了

pip install pytesseract

pip install pillow

pillow库的基本操作

Filter

Format

format属性定义了图像的格式，如果图像不是从文件打开的，那么该属性值为None；

size属性是一个tuple，表示图像的宽和高（单位为像素）；

mode属性为表示图像的模式，常用的模式为：L为灰度图，RGB为真彩色，CMYK为pre-press图像。如果文件不能打开，则抛出IOError异常。

验证码识别

注意安装完毕，如果还是报错，请找到模块 pytesseract.py 这个文件，对这个文件进行编辑

一般这个文件在C:\Program Files\Python36\Lib\site-packages\pytesseract\pytesseract.py位置

文件中 tesseract_cmd = 'tesseract' 改为自己的地址

例如： tesseract_cmd = 'C:\Program Files (x86)\Tesseract-OCR\tesseract.exe'

如果报下面的BUG，请注意

Error opening data file \Program Files (x86)\Tesseract-OCR\tessdata/chi_sim.traineddata Please make sure the TESSDATA_PREFIX environment variable

解决办法也比较容易，按照它的提示，表示缺失了 TESSDATA_PREFIX 这个环境变量。你只需要在系统环境变量中添加一条即可

将 TESSDATA_PREFIX=C:\Program Files (x86)\Tesseract-OCR 添加环境变量

重启IDE或者重新CMD，然后继续运行代码，这个地方注意需要用管理员运行你的py脚本

步骤分为

打开图片 Image.open()

pytesseract识别图片

测试英文，数字什么的基本没有问题，中文简直惨不忍睹。空白比较大的可以识别出来。唉~不好用 当然刚才那个7364 十分轻松的就识别出来了。

带干扰的验证码识别

接下来识别如下的验证码，我们首先依旧先尝试一下。运行代码发现没有任何显示。接下来需要对这个图片进行处理

基本原理都是完全一样的

彩色转灰度

灰度转二值

二值图像识别

彩色转灰度

im = im.convert('L')

灰度转二值，解决方案比较成套路，采用阈值分割法，threshold为分割点

调用

binaryImage = im.point(initTable(),'1')

binaryImage.show()

调整之后

我们还需要对干扰线进行处理。在往下研究去，是图片深入处理的任务，对付小网站的简单验证码，这个办法足够了