Python 验证码是什么
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，
本篇文章为你带来验证码的入门案例，来吧，一起 Coding 吧。
怎么用
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 pytesseractpip install pillow
复制代码
如果你安装了这两个库之后，编写一个识别代码，一般情况下会报下面这个错误
pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your path
复制代码
这是由于你还缺少一部分内容
安装一个 Tesseract-OCR 软件。这个软件是由 Google 维护的开源的 OCR 软件。
下载地址 > https://github.com/tesseract-ocr/tesseract/wiki
中文包的下载地址 > https://github.com/tesseract-ocr/tessdata
选择你需要的版本进行下载即可
pillow 库的基本操作
Filter
from PIL import Image, ImageFilterim = Image.open(‘1.png’)# 高斯模糊im.filter(ImageFilter.GaussianBlur)# 普通模糊im.filter(ImageFilter.BLUR)# 边缘增强im.filter(ImageFilter.EDGE_ENHANCE)# 找到边缘im.filter(ImageFilter.FIND_EDGES)# 浮雕im.filter(ImageFilter.EMBOSS)# 轮廓im.filter(ImageFilter.CONTOUR)# 锐化im.filter(ImageFilter.SHARPEN)# 平滑im.filter(ImageFilter.SMOOTH)# 细节im.filter(ImageFilter.DETAIL)
复制代码
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'
复制代码
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
import pytesseractfrom PIL import Image
def main(): image = Image.open("1.jpg")
text = pytesseract.image_to_string(image,lang="chi_sim") print(text)
if __name__ == '__main__': main()
复制代码
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
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
def initTable(threshold=140): table = [] for i in range(256): if i < threshold: table.append(0) else: table.append(1) return table
复制代码
调用
binaryImage = im.point(initTable(), '1')binaryImage.show()
复制代码
调整之后
今天你要学习的验证码采用通过第三方 AI 平台开放的 OCR 接口实现，OCR 文字识别技术目前已经比较成熟了，而且第三方比较多，今天采用的是百度的。
借用第三方平台解决验证码
官方网址：http://ai.baidu.com/
接下来申请
接下来创建一个简单应用之后，就可以使用了，我们找到
阅读文字识别相关文档
你需要具备基本的阅读第三方文档的能力，打开我们需要的文档
https://cloud.baidu.com/doc/OCR/OCR-API.html
这个页面基本上已经把我们需要做的所有内容都已经标识清楚了
编写获取 accesstoken 的代码
在目前主流的 API 开发模式下，都是需要你进行 accesstoken 的获取的
代码如下 ，重点需要参照文档进行传参的设计
def get_accesstoken(self): res = requests.post(self.url.format(self.key,self.secret),headers=self.header) content = res.text if (content): return json.loads(content)["access_token"]
复制代码
得到 accesstoken 之后，你可以继续下面的操作
import requestsimport json
import base64
import urllib.request, urllib.parse
class GetCode(object):
def __init__(self): self.url = "https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={}&client_secret={}" self.api = "https://aip.baidubce.com/rest/2.0/ocr/v1/general_basic?access_token={}" self.header = { "Content-Type":'application/json; charset=UTF-8' }
self.key = "你的KEY" self.secret = "你的SECRET"
复制代码
验证码识别阶段
普通没有干扰的验证码，我们直接识别即可，但是有的验证码还是有干扰的，在识别之前，需要对它进行基本的处理，我们采用和上篇文章类似的办法进行，对它进行灰度处理和二值化操作。部分代码我直接硬编码了，不过最终识别的效果并没有比想象的优化多少。
def init_table(self,threshold=155): table = [] for i in range(256): if i < threshold: table.append(0) else: table.append(1) return table
def opt_image(self): im = Image.open("66.png")
im = im.convert('L') im = im.point(self.init_table(), '1') im.save('66_s.png') return "66_s.png"
复制代码
调用验证码接口
调用百度的验证码接口，不使用百度给的模块直接编写。按照它对应的文档，书写即可。在这个地方尤其注意官方文档提示
def get_file_content(self,file_path): with open(file_path, 'rb') as fp: base64_data = base64.b64encode(fp.read()) s = base64_data.decode()
data = {} data['image'] = s
decoded_data = urllib.parse.urlencode(data) return decoded_data
def show_code(self): image = self.get_file_content(self.opt_image()) headers = { "Content-Type": "application/x-www-form-urlencoded" } res = requests.post(self.api.format(self.get_accesstoken()),headers=headers,data=image) print(res.text)
复制代码
通过百度模块调用验证码识别
安装百度 AI
安装之后，就可以使用啦
声明一些常量，你在百度创建应用之后就可以获取
初始化文字识别类
调用对应的方法
参考代码
from aip import AipOcr
# 定义常量APP_ID = '15736693'API_KEY = '你的KEY'SECRET_KEY = '你的SECRET'
# 初始化文字识别aipOcr=AipOcr(APP_ID, API_KEY, SECRET_KEY)
# 读取图片filePath = "1.jpg"
def get_file_content(filePath): with open(filePath, 'rb') as fp: return fp.read()
# 定义参数变量options = { 'detect_direction': 'true', 'language_type': 'CHN_ENG',}
# 网络图片文字文字识别接口result = aipOcr.webImage(get_file_content(filePath),options)
print(result)
复制代码
扩展部分
这种通过第三方 OCR 技术识别验证码的方式，本质上和上篇文章的原理是一致的在实测过程中发现，没有太多干扰线，搜狗，腾讯，有道 基本表现一致
对于这种方式，学会即可~，道理都是一致的，当然你可以用 Python 实现一个图片转文字的小应用是没有任何问题的
评论