python爬虫20 | 小帅b教你如何识别图片验证码

当你在爬取某些网站的时候

对于你的一些频繁请求

对方会阻碍你

常见的方式就是使用验证码

验证码的主要功能

就是区分你是人还是鬼(机器人)

想法设法的搞一些手段来对付技术

技术又能对付人们的想法

一来一去

就有了各种各样的变态验证码

也有了各种各样的应对方式

常见的验证码有这么几种

图像验证

语音验证

短信验证

极验验证

点击验证

今天

小帅b想跟你先说说如何识别图像验证码

那么

接下来就是

学习 python 的正确姿势

python爬虫20 | 小帅b教你如何识别图片验证码

我们来看看这些图片验证码

python爬虫20 | 小帅b教你如何识别图片验证码

(此图来源网络)

可以发现

这些验证码大多是数字和字母组成

然后在此之上再添加一些像毛一样的线

或者搞一些噪点

或者把这些字符扭曲一下

为了增加识别难度也是辛苦人家了

接下来我们思考一下

我们要识别这类验证码要怎么做呢

python爬虫20 | 小帅b教你如何识别图片验证码

首先要处理一下验证码图片

什么噪点乱七八糟的

我们尽量把它们去掉

让图片

尽量黑白

尽量只剩下字符本身

然后再用 python 强大的 OCR 工具

Python-tesseract

 来识别我们优化好的图片

这样正确率就会大大的提高

哎呀

我真是个聪明 boy 啊

python爬虫20 | 小帅b教你如何识别图片验证码

为了让你更清楚的知道怎么识别图像验证码

小帅b用 python 搞了几张识别难度不同的验证码

第一张

python爬虫20 | 小帅b教你如何识别图片验证码

难度系数:

第二张

python爬虫20 | 小帅b教你如何识别图片验证码

难度系数: 

第三张

python爬虫20 | 小帅b教你如何识别图片验证码

难度系数: 

第四张

python爬虫20 | 小帅b教你如何识别图片验证码

难度系数:

第五张

python爬虫20 | 小帅b教你如何识别图片验证码

难度系数 :

先对第一张进行识别

这张看起来没什么 “污染”

所以相对简单

先安装一下  pytesseract

pip install pytesseract

接着安装一下  tesseract-ocr

如果你是 ubuntu 系统可以直接使用如下命令安装

sudo apt install tesseract-ocr

如果你是 win 系统自行 Google 一下安装  tesseract-ocr 以及环境变量配置

完了之后就导入相关模块到我们的代码文件中

try:
    from PIL import Image
except ImportError:
    import Image
import pytesseract

接着我们就打开第一张图片

使用 pytesseract 识别

打印一下

captcha = Image.open("captcha1.png")
result = pytesseract.image_to_string(captcha)
print(result)

打印结果

python爬虫20 | 小帅b教你如何识别图片验证码

ok,么有问题

python爬虫20 | 小帅b教你如何识别图片验证码

接着我们来识别第 2 张

python爬虫20 | 小帅b教你如何识别图片验证码

captcha = Image.open("claptcha2.png")
result = pytesseract.image_to_string(captcha)
print(result)

结果打印出来是

python爬虫20 | 小帅b教你如何识别图片验证码

1924??

python爬虫20 | 小帅b教你如何识别图片验证码

这就说明

pytesseract 是没办法识别太多噪点的图片的

如果这个图片再加上一点彩色背景

python爬虫20 | 小帅b教你如何识别图片验证码

那么对 pytesseract 来说更是有点吃力的

 

所以我们先对这张图片灰度处理一下

 

 

captcha = Image.open("captcha2.png")
result = captcha.convert('L')
result.show()

图片就变成灰了

python爬虫20 | 小帅b教你如何识别图片验证码

虽然灰了

但是还不够

我们除了处理灰度还需要对其 二值化

 

def convert_img(img,threshold):
    img = img.convert("L")  # 处理灰度
    pixels = img.load()
    for x in range(img.width):
        for y in range(img.height):
            if pixels[x, y] > threshold:
                pixels[x, y] = 255
            else:
                pixels[x, y] = 0
    return img

调用一下

convert_img(captcha,150)

这时候图片就变成这样了

python爬虫20 | 小帅b教你如何识别图片验证码

是不是一下子就清晰很多了呢

这时候我们对这张图片识别一下

# 识别一下
result = pytesseract.image_to_string(result)
print(result)

成功识别

python爬虫20 | 小帅b教你如何识别图片验证码

接下来我们再来看看有毛有噪的图片

python爬虫20 | 小帅b教你如何识别图片验证码

这时候直接去识别是识别不出来的

所以还是老办法

先处理灰度

再 二值化

这次我们再降一下噪

data = img.getdata()
    w,h = img.size
    count = 0
    for x in range(1,h-1):
        for y in range(1, h - 1):
            # 找出各个像素方向
            mid_pixel = data[w * y + x]
            if mid_pixel == 0:
                top_pixel = data[w * (y - 1) + x]
                left_pixel = data[w * y + (x - 1)]
                down_pixel = data[w * (y + 1) + x]                right_pixel = data[w * y + (x + 1)]

                if top_pixel == 0:
                    count += 1
                if left_pixel == 0:
                    count += 1
                if down_pixel == 0:
                    count += 1
                if right_pixel == 0:
                    count += 1
                if count > 4:
                    img.putpixel((x, y), 0)

图片变成这样了

python爬虫20 | 小帅b教你如何识别图片验证码

再识别一下

python爬虫20 | 小帅b教你如何识别图片验证码

python爬虫20 | 小帅b教你如何识别图片验证码

不过

pytesseract 不是万能的

对于稍微复杂一点的就识别不出来了

至于这张

python爬虫20 | 小帅b教你如何识别图片验证码

你能看出它是 1l1l0oO0 么?

如果你能

算你牛逼

python爬虫20 | 小帅b教你如何识别图片验证码

反正小帅b不能

所以 pytesseract 也不能

 

对于一些简单的验证码

使用 pytesseract 还是可以的

如果你想提高 pytesseract 识别率

还可以去搞些图片去训练一下 tesseract-ocr

python爬虫20 | 小帅b教你如何识别图片验证码

 

ok

以上

主要让你了解一下图片识别库的使用

以及对一些图片的常用降噪操作

那么下次你爬到一些需要图像的简单验证码

应该不在话下了

下回见

听说你要 我啊!?

peace

python爬虫20 | 小帅b教你如何识别图片验证码

      点个在看啊~~(破音)

python爬虫20 | 小帅b教你如何识别图片验证码

原文始发于微信公众号(学习python的正确姿势):python爬虫20 | 小帅b教你如何识别图片验证码

发表回复