pytesseract识别验证码教程

2017-09-15 本文已影响2067人慢慢慢慢热

1、简介

a、Python-tesseract 是一个基于 google's Tesseract-OCR 的独立封装包；

b、Python-tesseract 功能是识别图片文件中文字，并作为返回参数返回识别结果；

c、Python-tesseract 默认支持 tiff、bmp 格式图片，只有在安装 PIL 之后，才能支持 jpeg、gif、png 等其他图片格式；

D、Python-tesseract的使用需要安装tesseract-ocr安装包（windows安装文件）

2、下载及安装

2.1下载tesseract-ocr文件

2.1.1 官方发布的 3.02 版本下载地址

2.1.2 德国曼海姆大学发行的 3.05 版本下载地址

2.1.3 另一个版本

我是用的是第二个版本

2.2安装tesseract-ocr文件

直接将下载文件双击安装，默认在 C:\Program Files (x86)\Tesseract-OCR

安装完成后，将 C:\Program Files (x86)\Tesseract-OCR添加至环境变量Path下面，这里是为了之后Python-tesseract在识别时可以调用tesseract.exe

并新建环境变量 TESSDATA_PREFIX，将C:\Program Files (x86)\Tesseract-OCR\tessdata添加进去，这里是在识别时能打开训练数据，不然可能报错 pytesseract.pytesseract.TesseractError: (1,'Error opening data file \Program Files (x86)\Tesseract-OCR\tessdata/eng.traineddata')；

完成上述操作后，打开cmd，输入tesseract，能打印帮助信息即成功

2.3下载PIL、pytesseract

打开cmd或shell，执行

pip install PIL

pip install pytesseract

等待下载安装完成，打开pycharm输入

import pytesseract

import PIL

没有报错就ok

3、使用

3.1获取验证码位置及大小

location = driver.find_element_by_xpath(xpath_str).location

print(location) # 表示当前元素的位置，x:横坐标，y:纵坐标

{'y': 411, 'x': 849}

size= driver.find_element_by_xpath(xpath_str).size

print(size) # 表示当前元素的宽高，width:宽，height:高

{'width': 48, 'height': 20}

left = location['x']
top =  location['y']
right = location['x'] + size['width']
bottom = location['y'] + size['height']
box = (left, top, right, bottom)

box就表示当前验证码的坐标，这样就可以进行裁剪了

完整代码

#!/usr/bin/env python
# coding=utf-8

# Created by slowchen on 2017/9/15 15:34.

from selenium import webdriver
import pytesseract
import time
from PIL import Image, ImageEnhance

PostUrl = 'http://yjsymis.hrbeu.edu.cn/gsmis/indexAction.do'
driver = webdriver.Chrome()
driver.get(PostUrl)
driver.maximize_window()
driver.get_screenshot_as_file(r'E:\\image.jpg')
# 获取图片位置
location = driver.find_element_by_xpath("/html/body/form/table/tbody/tr[3]/td/table/tbody/tr[2]/td/table/tbody/tr[2]/td/table[1]/tbody/tr[3]/td[1]/img").location
# 获取图片大小
size = driver.find_element_by_xpath("/html/body/form/table/tbody/tr[3]/td/table/tbody/tr[2]/td/table/tbody/tr[2]/td/table[1]/tbody/tr[3]/td[1]/img").size

left = location['x']
top = location['y']
right = location['x'] + size['width']
bottom = location['y'] + size['height']
im = Image.open(r'E:\\image.jpg')
box = (left, top, right, bottom)
region = im.crop(box)
region.save(r"e:/image_code.jpg")
time.sleep(1)
driver.quit()
ima = Image.open(r"E:\\image_code.jpg")
imgry = ima.convert('L')  # 图像加强，二值化
sharpness = ImageEnhance.Contrast(imgry)  # 对比度增强
sharp_img = sharpness.enhance(2.0)
sharp_img.save(r"E:\\image_code.jpg")
code = pytesseract.image_to_string(Image.open(r"E:\\image_code.jpg"))  # code即为识别出的图片数字str类型
print(code)

注意：倒数第二行code = pytesseract.image_to_string(Image.open(r"E:\\image_code.jpg"))

image_to_string()括号内的内容不能直接用文件路径，必须调用Image.open()方法打开，否则报错

AttributeError: 'str' object has no attribute 'save'