网络爬虫笔记—图形验证码识别

<兄弟们，本文章开启了关注后阅读。大家如不想关注，可直接微信搜索“宏蜘蛛”或文章标题，查看文章。>

1、什么是图形验证码

像知网注册界面的这种验证码，就是图形验证码。

2、如何识别图形验证码

图形验证码可以利用这几年比较流行的OCR技术进行识别。OCR技术是一种图片识别技术，它可以识别图片中的文字，并将其转化为文本格式。我们在使用时，并不是自编一个OCR识别代码，而是直接使用第三方OCR识别技术。python的OCR需要使用到tesserocr库，该库不是python自带库需要进行安装，针对tesserocr库安装，大家可参考这篇文章:https://blog.csdn.net/Elom_H4/article/details/123987637。下面将以知网注册页面的验证码识别为例，进行案例的介绍。

3、知网图形验证码获取

知网图形验证码是一个动态验证码，每点击一次都会重新生成一个验证码。于是通过requests方式访问验证码链接，将不会得到登录界面显示的验证码，而是又生成了一个新的验证码。针对动态验证码的获取问题，一般可使用Selenium库操纵浏览器，然后对屏幕进行截屏，以此来获取网页的动态验证码。这一部分的内容将在后面的文章中体现，本次主要学习图形验证码的识别方法。

4、验证码识别

我们事先从知网注册网站下载了一个验证码图片，其图如下：

4.1、读取图片，直接识别

import tesserocr#OCR识别库
from PIL import Image#用于读取图片
image = Image.open("yanzhengma.png")#读取图片
result = tesserocr.image_to_text(image)#识别图片文字内容
print(result)
#输出结果：ZPBY-

读取图片后，直接识别的结果和实际值存在偏差，这时可以将图片转为灰度图片、然后再进行二值化处理，这样可以减少线条的干扰，从而识别的更加准确。

4.2、灰度和二值化处理

灰度处理，就是将彩色图片转化为黑白图片。

from PIL import Image#用于读取图片
image = Image.open("yanzhengma.png")#读取图片
image = image.convert("L")#传入L参数，代表将图片转为灰度图片
image.show()

结果输出：

与原始验证码相比，灰度图片变成了黑白无彩图片。电脑保存彩色的图片一般是三通道图片，即我们平常所说的RGB值，每一个像素点的值在0到255之间。当我们将其灰度之后，图片就会变成一个单通道图片。该单通道每一个像素点都是0到255之间的一个数，如果是0则代表是黑色，如果是255则代表是白色。二值化处理就是设置一个阈值，让灰度后的每一个像素点都与这个阈值比较，如果小于阈值就变成0，如果大于阈值就变成255，将原来的灰度图片，变成了更加黑白分明的图片，从而有利于图片的识别。

from PIL import Image#用于读取图片
image = Image.open("yanzhengma.png")#读取图片
image = image.convert("L")#传入L参数，代表将图片转为灰度图片
width = image.size[0]#获取图片的宽度
height = image.size[1]#获取图片的高度
threshold = 150#设置阈值
for h in range(0,height):for w in range(0,width):if image.getpixel((w,h)) < threshold:#遍历每一个像素点，并与阈值比较image.putpixel((w,h),(0))#如果小于阈值，则像素点的值变成0（黑色）else:image.putpixel((w,h),(255))#如果大于阈值，则像素点的值变成255（白色）
image.show()#展示图片

结果输出：

4.3、文字识别

import tesserocr#OCR识别库
from PIL import Image#用于读取图片
image = Image.open("yanzhengma.png")#读取图片
image = image.convert("L")#传入L参数，代表将图片转为灰度图片
width = image.size[0]#获取图片的宽度
height = image.size[1]#获取图片的高度
threshold = 150#设置阈值
for h in range(0,height):for w in range(0,width):if image.getpixel((w,h)) < threshold:#遍历每一个像素点，并与阈值比较image.putpixel((w,h),(0))#如果小于阈值，则像素点的值变成0（黑色）else:image.putpixel((w,h),(255))#如果大于阈值，则像素点的值变成255（白色）
result = tesserocr.image_to_text(image)#识别图片文字内容
print(result)
#输出结果：ZPDY

灰度和二值化处理之后，后面直接调用OCR识别库就可以了，可以看到经过二值化处理之后，识别结果更加的准确。下面将三个图片放在一起，以便大家比较处理前后的变化。如果二值化处理之后的图片不清晰，大家可以通过调整阈值的方式来使图片变得清晰，减少其他线条的干扰。

本篇笔记首先在微信公众号“宏蜘蛛”上发布，链接为：网络爬虫笔记—图形验证码识别

—End—

参考资料

1、《Python3网络爬虫开发实战》_崔庆才

2、tesserocr_做测试的喵酱的博客-CSDN博客_tesserocr

3、python3.9 安装 tesserocr 过程 || pip install tesserocr pillow 安装失败解决方案_R874的博客-CSDN博客

4、Python之中Image的使用[putpixel]_qq_38221114的博客-CSDN博客