Python验证码识别
大致介绍
在python爬虫爬取某些网站的验证码的时候可能会遇到验证码识别的问题,现在的验证码大多分为四类:
1、计算验证码
2、滑块验证码
3、识图验证码
4、语音验证码
这篇博客主要写的就是识图验证码,识别的是简单的验证码,要想让识别率更高,识别的更加准确就需要花很多的精力去训练自己的字体库。
识别验证码通常是这几个步骤:
1、灰度处理
2、二值化
3、去除边框(如果有的话)
4、降噪
5、切割字符或者倾斜度矫正
6、训练字体库
7、识别
这6个步骤中前三个步骤是基本的,4或者5可根据实际情况选择是否需要,并不一定切割验证码,识别率就会上升很多有时候还会下降
这篇博客不涉及训练字体库的内容,请自行搜索。同样也不讲解基础的语法。
用到的几个主要的python库: Pillow(python图像处理库)、OpenCV(高级图像处理库)、pytesseract(识别库)
灰度处理&二值化
灰度处理,就是把彩色的验证码图片转为灰色的图片。
二值化,是将图片处理为只有黑白两色的图片,利于后面的图像处理和识别
在OpenCV中有现成的方法可以进行灰度处理和二值化,处理后的效果:
代码:
1 # 自适应阀值二值化2 def _get_dynamic_binary_image(filedir, img_name):3 filename = './out_img/' + img_name.split('.')[0] + '-binary.jpg'4 img_name = filedir + '/' + img_name5 print('.....' + img_name)6 im = cv2.imread(img_name)7 im = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY) #灰值化8 # 二值化9 th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1) 10 cv2.imwrite(filename,th1) 11 return th1
去除边框
如果验证码有边框,那我们就需要去除边框,去除边框就是遍历像素点,找到四个边框上的所有点,把他们都改为白色,我这里边框是两个像素宽
注意:在用OpenCV时,图片的矩阵点是反的,就是长和宽是颠倒的
代码:
# 去除边框 def clear_border(img,img_name):filename = './out_img/' + img_name.split('.')[0] + '-clearBorder.jpg'h, w = img.shape[:2]for y in range(0, w):for x in range(0, h):if y < 2 or y > w - 2:img[x, y] = 255if x < 2 or x > h -2:img[x, y] = 255cv2.imwrite(filename,img)return img
效果:
降噪
降噪是验证码处理中比较重要的一个步骤,我这里使用了点降噪和线降噪
线降噪的思路就是检测这个点相邻的四个点(图中标出的绿色点),判断这四个点中是白点的个数,如果有两个以上的白色像素点,那么就认为这个点是白色的,从而去除整个干扰线,但是这种方法是有限度的,如果干扰线特别粗就没有办法去除,只能去除细的干扰线
代码:
1 # 干扰线降噪2 def interference_line(img, img_name):3 filename = './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg'4 h, w = img.shape[:2]5 # !!!opencv矩阵点是反的6 # img[1,2] 1:图片的高度,2:图片的宽度7 for y in range(1, w - 1):8 for x in range(1, h - 1):9 count = 0 10 if img[x, y - 1] > 245: 11 count = count + 1 12 if img[x, y + 1] > 245: 13 count = count + 1 14 if img[x - 1, y] > 245: 15 count = count + 1 16 if img[x + 1, y] > 245: 17 count = count + 1 18 if count > 2: 19 img[x, y] = 255 20 cv2.imwrite(filename,img) 21 return img
点降噪的思路和线降噪的差不多,只是会针对不同的位置检测的点不一样,注释写的很清楚了
代码:
# 点降噪 def interference_point(img,img_name, x = 0, y = 0):"""9邻域框,以当前点为中心的田字框,黑点个数:param x::param y::return:"""filename = './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg'# todo 判断图片的长宽度下限cur_pixel = img[x,y]# 当前像素点的值height,width = img.shape[:2]for y in range(0, width - 1):for x in range(0, height - 1):if y == 0: # 第一行if x == 0: # 左上顶点,4邻域# 中心点旁边3个点sum = int(cur_pixel) \+ int(img[x, y + 1]) \+ int(img[x + 1, y]) \+ int(img[x + 1, y + 1])if sum <= 2 * 245:img[x, y] = 0elif x == height - 1: # 右上顶点sum = int(cur_pixel) \+ int(img[x, y + 1]) \+ int(img[x - 1, y]) \+ int(img[x - 1, y + 1])if sum <= 2 * 245:img[x, y] = 0else: # 最上非顶点,6邻域sum = int(img[x - 1, y]) \+ int(img[x - 1, y + 1]) \+ int(cur_pixel) \+ int(img[x, y + 1]) \+ int(img[x + 1, y]) \+ int(img[x + 1, y + 1])if sum <= 3 * 245:img[x, y] = 0elif y == width - 1: # 最下面一行if x == 0: # 左下顶点# 中心点旁边3个点sum = int(cur_pixel) \+ int(img[x + 1, y]) \+ int(img[x + 1, y - 1]) \+ int(img[x, y - 1])if sum <= 2 * 245:img[x, y] = 0elif x == height - 1: # 右下顶点sum = int(cur_pixel) \+ int(img[x, y - 1]) \+ int(img[x - 1, y]) \+ int(img[x - 1, y - 1])if sum <= 2 * 245:img[x, y] = 0else: # 最下非顶点,6邻域sum = int(cur_pixel) \+ int(img[x - 1, y]) \+ int(img[x + 1, y]) \+ int(img[x, y - 1]) \+ int(img[x - 1, y - 1]) \+ int(img[x + 1, y - 1])if sum <= 3 * 245:img[x, y] = 0else: # y不在边界if x == 0: # 左边非顶点sum = int(img[x, y - 1]) \+ int(cur_pixel) \+ int(img[x, y + 1]) \+ int(img[x + 1, y - 1]) \+ int(img[x + 1, y]) \+ int(img[x + 1, y + 1])if sum <= 3 * 245:img[x, y] = 0elif x == height - 1: # 右边非顶点sum = int(img[x, y - 1]) \+ int(cur_pixel) \+ int(img[x, y + 1]) \+ int(img[x - 1, y - 1]) \+ int(img[x - 1, y]) \+ int(img[x - 1, y + 1])if sum <= 3 * 245:img[x, y] = 0else: # 具备9领域条件的sum = int(img[x - 1, y - 1]) \+ int(img[x - 1, y]) \+ int(img[x - 1, y + 1]) \+ int(img[x, y - 1]) \+ int(cur_pixel) \+ int(img[x, y + 1]) \+ int(img[x + 1, y - 1]) \+ int(img[x + 1, y]) \+ int(img[x + 1, y + 1])if sum <= 4 * 245:img[x, y] = 0cv2.imwrite(filename,img)return img
效果:
其实到了这一步,这些字符就可以识别了,没必要进行字符切割了,现在这三种类型的验证码识别率已经达到50%以上了
字符切割
字符切割通常用于验证码中有粘连的字符,粘连的字符不好识别,所以我们需要将粘连的字符切割为单个的字符,在进行识别
字符切割的思路就是找到一个黑色的点,然后在遍历与他相邻的黑色的点,直到遍历完所有的连接起来的黑色的点,找出这些点中的最高的点、最低的点、最右边的点、最左边的点,记录下这四个点,认为这是一个字符,然后在向后遍历点,直至找到黑色的点,继续以上的步骤。最后通过每个字符的四个点进行切割
图中红色的点就是代码执行完后,标识出的每个字符的四个点,然后就会根据这四个点进行切割(图中画的有些误差,懂就好)
但是也可以看到,m2是粘连的,代码认为他是一个字符,所以我们需要对每个字符的宽度进行检测,如果他的宽度过宽,我们就认为他是两个粘连在一起的字符,并将它在从中间切割
确定每个字符的四个点代码:
def cfs(im,x_fd,y_fd):'''用队列和集合记录遍历过的像素坐标代替单纯递归以解决cfs访问过深问题'''# print('**********')xaxis=[]yaxis=[]visited =set()q = Queue()q.put((x_fd, y_fd))visited.add((x_fd, y_fd))offsets=[(1, 0), (0, 1), (-1, 0), (0, -1)]#四邻域while not q.empty():x,y=q.get()for xoffset,yoffset in offsets:x_neighbor,y_neighbor = x+xoffset,y+yoffsetif (x_neighbor,y_neighbor) in (visited):continue # 已经访问过了visited.add((x_neighbor, y_neighbor))try:if im[x_neighbor, y_neighbor] == 0:xaxis.append(x_neighbor)yaxis.append(y_neighbor)q.put((x_neighbor,y_neighbor))except IndexError:pass# print(xaxis)if (len(xaxis) == 0 | len(yaxis) == 0):xmax = x_fd + 1xmin = x_fdymax = y_fd + 1ymin = y_fdelse:xmax = max(xaxis)xmin = min(xaxis)ymax = max(yaxis)ymin = min(yaxis)#ymin,ymax=sort(yaxis)return ymax,ymin,xmax,xmindef detectFgPix(im,xmax):'''搜索区块起点'''h,w = im.shape[:2]for y_fd in range(xmax+1,w):for x_fd in range(h):if im[x_fd,y_fd] == 0:return x_fd,y_fddef CFS(im):'''切割字符位置'''zoneL=[]#各区块长度L列表zoneWB=[]#各区块的X轴[起始,终点]列表zoneHB=[]#各区块的Y轴[起始,终点]列表xmax=0#上一区块结束黑点横坐标,这里是初始化for i in range(10):try:x_fd,y_fd = detectFgPix(im,xmax)# print(y_fd,x_fd)xmax,xmin,ymax,ymin=cfs(im,x_fd,y_fd)L = xmax - xminH = ymax - yminzoneL.append(L)zoneWB.append([xmin,xmax])zoneHB.append([ymin,ymax])except TypeError:return zoneL,zoneWB,zoneHBreturn zoneL,zoneWB,zoneHB
分割粘连字符代码:
# 切割的位置im_position = CFS(im)maxL = max(im_position[0])minL = min(im_position[0])# 如果有粘连字符,如果一个字符的长度过长就认为是粘连字符,并从中间进行切割if(maxL > minL + minL * 0.7):maxL_index = im_position[0].index(maxL)minL_index = im_position[0].index(minL)# 设置字符的宽度im_position[0][maxL_index] = maxL // 2im_position[0].insert(maxL_index + 1, maxL // 2)# 设置字符X轴[起始,终点]位置im_position[1][maxL_index][1] = im_position[1][maxL_index][0] + maxL // 2im_position[1].insert(maxL_index + 1, [im_position[1][maxL_index][1] + 1, im_position[1][maxL_index][1] + 1 + maxL // 2])# 设置字符的Y轴[起始,终点]位置im_position[2].insert(maxL_index + 1, im_position[2][maxL_index])# 切割字符,要想切得好就得配置参数,通常 1 or 2 就可以cutting_img(im,im_position,img_name,1,1)
切割粘连字符代码:
def cutting_img(im,im_position,img,xoffset = 1,yoffset = 1):filename = './out_img/' + img.split('.')[0]# 识别出的字符个数im_number = len(im_position[1])# 切割字符for i in range(im_number):im_start_X = im_position[1][i][0] - xoffsetim_end_X = im_position[1][i][1] + xoffsetim_start_Y = im_position[2][i][0] - yoffsetim_end_Y = im_position[2][i][1] + yoffsetcropped = im[im_start_Y:im_end_Y, im_start_X:im_end_X]cv2.imwrite(filename + '-cutting-' + str(i) + '.jpg',cropped)
效果:
识别
识别用的是typesseract库,主要识别一行字符和单个字符时的参数设置,识别中英文的参数设置,代码很简单就一行,我这里大多是filter文件的操作
代码:
# 识别验证码cutting_img_num = 0for file in os.listdir('./out_img'):str_img = ''if fnmatch(file, '%s-cutting-*.jpg' % img_name.split('.')[0]):cutting_img_num += 1for i in range(cutting_img_num):try:file = './out_img/%s-cutting-%s.jpg' % (img_name.split('.')[0], i)# 识别字符str_img = str_img + image_to_string(Image.open(file),lang = 'eng', config='-psm 10') #单个字符是10,一行文本是7except Exception as err:passprint('切图:%s' % cutting_img_num)print('识别为:%s' % str_img)
最后这种粘连字符的识别率是在30%左右,而且这种只是处理两个字符粘连,如果有两个以上的字符粘连还不能识别,但是根据字符宽度判别的话也不难,有兴趣的可以试一下
无需切割字符识别的效果:
需要切割字符的识别效果:
这种只是能够识别简单验证码,复杂的验证码还要靠大家了
参考资料:
1、http://www.jianshu.com/p/41127bf90ca9
本来参考了挺多的资料,但是时间长了就找不到了,如果有人发现了,可以告诉我,我再添加
使用方法:
1、将要识别的验证码图片放入与脚本同级的img文件夹中,创建out_img文件夹
2、python3 filename
3、二值化、降噪等各个阶段的图片将存储在out_img文件夹中,最终识别结果会打印到屏幕上
源码:
1 from PIL import Image2 from pytesseract import *3 from fnmatch import fnmatch4 from queue import Queue5 import matplotlib.pyplot as plt6 import cv27 import time8 import os9 10 11 12 13 14 def clear_border(img,img_name):15 '''去除边框16 '''17 18 filename = './out_img/' + img_name.split('.')[0] + '-clearBorder.jpg'19 h, w = img.shape[:2]20 for y in range(0, w):21 for x in range(0, h):22 # if y ==0 or y == w -1 or y == w - 2:23 if y < 4 or y > w -4:24 img[x, y] = 25525 # if x == 0 or x == h - 1 or x == h - 2:26 if x < 4 or x > h - 4:27 img[x, y] = 25528 29 cv2.imwrite(filename,img)30 return img31 32 33 def interference_line(img, img_name):34 '''35 干扰线降噪36 '''37 38 filename = './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg'39 h, w = img.shape[:2]40 # !!!opencv矩阵点是反的41 # img[1,2] 1:图片的高度,2:图片的宽度42 for y in range(1, w - 1):43 for x in range(1, h - 1):44 count = 045 if img[x, y - 1] > 245:46 count = count + 147 if img[x, y + 1] > 245:48 count = count + 149 if img[x - 1, y] > 245:50 count = count + 151 if img[x + 1, y] > 245:52 count = count + 153 if count > 2:54 img[x, y] = 25555 cv2.imwrite(filename,img)56 return img57 58 def interference_point(img,img_name, x = 0, y = 0):59 """点降噪60 9邻域框,以当前点为中心的田字框,黑点个数61 :param x:62 :param y:63 :return:64 """65 filename = './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg'66 # todo 判断图片的长宽度下限67 cur_pixel = img[x,y]# 当前像素点的值68 height,width = img.shape[:2]69 70 for y in range(0, width - 1):71 for x in range(0, height - 1):72 if y == 0: # 第一行73 if x == 0: # 左上顶点,4邻域74 # 中心点旁边3个点75 sum = int(cur_pixel) \76 + int(img[x, y + 1]) \77 + int(img[x + 1, y]) \78 + int(img[x + 1, y + 1])79 if sum <= 2 * 245:80 img[x, y] = 081 elif x == height - 1: # 右上顶点82 sum = int(cur_pixel) \83 + int(img[x, y + 1]) \84 + int(img[x - 1, y]) \85 + int(img[x - 1, y + 1])86 if sum <= 2 * 245:87 img[x, y] = 088 else: # 最上非顶点,6邻域89 sum = int(img[x - 1, y]) \90 + int(img[x - 1, y + 1]) \91 + int(cur_pixel) \92 + int(img[x, y + 1]) \93 + int(img[x + 1, y]) \94 + int(img[x + 1, y + 1])95 if sum <= 3 * 245:96 img[x, y] = 097 elif y == width - 1: # 最下面一行98 if x == 0: # 左下顶点99 # 中心点旁边3个点
100 sum = int(cur_pixel) \
101 + int(img[x + 1, y]) \
102 + int(img[x + 1, y - 1]) \
103 + int(img[x, y - 1])
104 if sum <= 2 * 245:
105 img[x, y] = 0
106 elif x == height - 1: # 右下顶点
107 sum = int(cur_pixel) \
108 + int(img[x, y - 1]) \
109 + int(img[x - 1, y]) \
110 + int(img[x - 1, y - 1])
111
112 if sum <= 2 * 245:
113 img[x, y] = 0
114 else: # 最下非顶点,6邻域
115 sum = int(cur_pixel) \
116 + int(img[x - 1, y]) \
117 + int(img[x + 1, y]) \
118 + int(img[x, y - 1]) \
119 + int(img[x - 1, y - 1]) \
120 + int(img[x + 1, y - 1])
121 if sum <= 3 * 245:
122 img[x, y] = 0
123 else: # y不在边界
124 if x == 0: # 左边非顶点
125 sum = int(img[x, y - 1]) \
126 + int(cur_pixel) \
127 + int(img[x, y + 1]) \
128 + int(img[x + 1, y - 1]) \
129 + int(img[x + 1, y]) \
130 + int(img[x + 1, y + 1])
131
132 if sum <= 3 * 245:
133 img[x, y] = 0
134 elif x == height - 1: # 右边非顶点
135 sum = int(img[x, y - 1]) \
136 + int(cur_pixel) \
137 + int(img[x, y + 1]) \
138 + int(img[x - 1, y - 1]) \
139 + int(img[x - 1, y]) \
140 + int(img[x - 1, y + 1])
141
142 if sum <= 3 * 245:
143 img[x, y] = 0
144 else: # 具备9领域条件的
145 sum = int(img[x - 1, y - 1]) \
146 + int(img[x - 1, y]) \
147 + int(img[x - 1, y + 1]) \
148 + int(img[x, y - 1]) \
149 + int(cur_pixel) \
150 + int(img[x, y + 1]) \
151 + int(img[x + 1, y - 1]) \
152 + int(img[x + 1, y]) \
153 + int(img[x + 1, y + 1])
154 if sum <= 4 * 245:
155 img[x, y] = 0
156 cv2.imwrite(filename,img)
157 return img
158
159 def _get_dynamic_binary_image(filedir, img_name):
160 '''
161 自适应阀值二值化
162 '''
163
164 filename = './out_img/' + img_name.split('.')[0] + '-binary.jpg'
165 img_name = filedir + '/' + img_name
166 print('.....' + img_name)
167 im = cv2.imread(img_name)
168 im = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
169
170 th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1)
171 cv2.imwrite(filename,th1)
172 return th1
173
174 def _get_static_binary_image(img, threshold = 140):
175 '''
176 手动二值化
177 '''
178
179 img = Image.open(img)
180 img = img.convert('L')
181 pixdata = img.load()
182 w, h = img.size
183 for y in range(h):
184 for x in range(w):
185 if pixdata[x, y] < threshold:
186 pixdata[x, y] = 0
187 else:
188 pixdata[x, y] = 255
189
190 return img
191
192
193 def cfs(im,x_fd,y_fd):
194 '''用队列和集合记录遍历过的像素坐标代替单纯递归以解决cfs访问过深问题
195 '''
196
197 # print('**********')
198
199 xaxis=[]
200 yaxis=[]
201 visited =set()
202 q = Queue()
203 q.put((x_fd, y_fd))
204 visited.add((x_fd, y_fd))
205 offsets=[(1, 0), (0, 1), (-1, 0), (0, -1)]#四邻域
206
207 while not q.empty():
208 x,y=q.get()
209
210 for xoffset,yoffset in offsets:
211 x_neighbor,y_neighbor = x+xoffset,y+yoffset
212
213 if (x_neighbor,y_neighbor) in (visited):
214 continue # 已经访问过了
215
216 visited.add((x_neighbor, y_neighbor))
217
218 try:
219 if im[x_neighbor, y_neighbor] == 0:
220 xaxis.append(x_neighbor)
221 yaxis.append(y_neighbor)
222 q.put((x_neighbor,y_neighbor))
223
224 except IndexError:
225 pass
226 # print(xaxis)
227 if (len(xaxis) == 0 | len(yaxis) == 0):
228 xmax = x_fd + 1
229 xmin = x_fd
230 ymax = y_fd + 1
231 ymin = y_fd
232
233 else:
234 xmax = max(xaxis)
235 xmin = min(xaxis)
236 ymax = max(yaxis)
237 ymin = min(yaxis)
238 #ymin,ymax=sort(yaxis)
239
240 return ymax,ymin,xmax,xmin
241
242 def detectFgPix(im,xmax):
243 '''搜索区块起点
244 '''
245
246 h,w = im.shape[:2]
247 for y_fd in range(xmax+1,w):
248 for x_fd in range(h):
249 if im[x_fd,y_fd] == 0:
250 return x_fd,y_fd
251
252 def CFS(im):
253 '''切割字符位置
254 '''
255
256 zoneL=[]#各区块长度L列表
257 zoneWB=[]#各区块的X轴[起始,终点]列表
258 zoneHB=[]#各区块的Y轴[起始,终点]列表
259
260 xmax=0#上一区块结束黑点横坐标,这里是初始化
261 for i in range(10):
262
263 try:
264 x_fd,y_fd = detectFgPix(im,xmax)
265 # print(y_fd,x_fd)
266 xmax,xmin,ymax,ymin=cfs(im,x_fd,y_fd)
267 L = xmax - xmin
268 H = ymax - ymin
269 zoneL.append(L)
270 zoneWB.append([xmin,xmax])
271 zoneHB.append([ymin,ymax])
272
273 except TypeError:
274 return zoneL,zoneWB,zoneHB
275
276 return zoneL,zoneWB,zoneHB
277
278
279 def cutting_img(im,im_position,img,xoffset = 1,yoffset = 1):
280 filename = './out_img/' + img.split('.')[0]
281 # 识别出的字符个数
282 im_number = len(im_position[1])
283 # 切割字符
284 for i in range(im_number):
285 im_start_X = im_position[1][i][0] - xoffset
286 im_end_X = im_position[1][i][1] + xoffset
287 im_start_Y = im_position[2][i][0] - yoffset
288 im_end_Y = im_position[2][i][1] + yoffset
289 cropped = im[im_start_Y:im_end_Y, im_start_X:im_end_X]
290 cv2.imwrite(filename + '-cutting-' + str(i) + '.jpg',cropped)
291
292
293
294 def main():
295 filedir = './easy_img'
296
297 for file in os.listdir(filedir):
298 if fnmatch(file, '*.jpeg'):
299 img_name = file
300
301 # 自适应阈值二值化
302 im = _get_dynamic_binary_image(filedir, img_name)
303
304 # 去除边框
305 im = clear_border(im,img_name)
306
307 # 对图片进行干扰线降噪
308 im = interference_line(im,img_name)
309
310 # 对图片进行点降噪
311 im = interference_point(im,img_name)
312
313 # 切割的位置
314 im_position = CFS(im)
315
316 maxL = max(im_position[0])
317 minL = min(im_position[0])
318
319 # 如果有粘连字符,如果一个字符的长度过长就认为是粘连字符,并从中间进行切割
320 if(maxL > minL + minL * 0.7):
321 maxL_index = im_position[0].index(maxL)
322 minL_index = im_position[0].index(minL)
323 # 设置字符的宽度
324 im_position[0][maxL_index] = maxL // 2
325 im_position[0].insert(maxL_index + 1, maxL // 2)
326 # 设置字符X轴[起始,终点]位置
327 im_position[1][maxL_index][1] = im_position[1][maxL_index][0] + maxL // 2
328 im_position[1].insert(maxL_index + 1, [im_position[1][maxL_index][1] + 1, im_position[1][maxL_index][1] + 1 + maxL // 2])
329 # 设置字符的Y轴[起始,终点]位置
330 im_position[2].insert(maxL_index + 1, im_position[2][maxL_index])
331
332 # 切割字符,要想切得好就得配置参数,通常 1 or 2 就可以
333 cutting_img(im,im_position,img_name,1,1)
334
335 # 识别验证码
336 cutting_img_num = 0
337 for file in os.listdir('./out_img'):
338 str_img = ''
339 if fnmatch(file, '%s-cutting-*.jpg' % img_name.split('.')[0]):
340 cutting_img_num += 1
341 for i in range(cutting_img_num):
342 try:
343 file = './out_img/%s-cutting-%s.jpg' % (img_name.split('.')[0], i)
344 # 识别验证码
345 str_img = str_img + image_to_string(Image.open(file),lang = 'eng', config='-psm 10') #单个字符是10,一行文本是7
346 except Exception as err:
347 pass
348 print('切图:%s' % cutting_img_num)
349 print('识别为:%s' % str_img)
350
351 if __name__ == '__main__':
352 main()
文章来源:Python验证码识别 - 老板丶鱼丸粗面 - 博客园
Python验证码识别相关推荐
- python gifmaze_Windows平台python验证码识别
参考: http://oatest.dragonbravo.com/Authenticate/SignIn?returnUrl=%2f http://drops.wooyun.org/tips/631 ...
- python验证码 识别代码不准_谈谈Python进行验证码识别的一些想法
用python加"验证码"为关键词在baidu里搜一下,可以找到很多关于验证码识别的文章.我大体看了一下,主要方法有几类:一类是通过对图片进行处理,然后利用字库特征匹配的方法,一类 ...
- Python验证码识别初探(tesserocr库)
转载自:https://juejin.im/post/5b1b3cd26fb9a01e700ffe5b 前言 写爬虫有一个绕不过去的问题,那就是验证码,比如像某乎,如果不先登陆,连里面的内容数据都爬不 ...
- Python验证码识别:利用pytesser识别简单图形
一.探讨 识别图形验证码可以说是做爬虫的必修课,涉及到计算机图形学,机器学习,机器视觉,人工智能等等高深领域-- 简单地说,计算机图形学的主要研究内容就是研究如何在计算机中表示图形.以及利用计算机进行 ...
- python验证码识别库_Python验证码识别
注意:若使用云服务器 (Windows Server版) 遇到闪退,请按照步骤:我的电脑--属性--管理--添加角色和功能--勾选桌面体验,点击安装,安装之后重启即可. 2020/06/01编外: 想 ...
- python 验证码识别 阿里云_python实现验证码识别功能
本文实例为大家分享了python实现验证码识别的具体代码,供大家参考,具体内容如下 1.通过二值化处理去掉干扰线 2.对黑白图片进行降噪,去掉那些单独的黑色像素点 3.消除边框上附着的黑色像素点 4. ...
- python验证码识别训练模型_python 基于机器学习识别验证码
1.背景 验证码自动识别在模拟登陆上使用的较为广泛,一直有耳闻好多人在使用机器学习来识别验证码,最近因为刚好接触这方面的知识,所以特定研究了一番.发现网上已有很多基于machine learning的 ...
- python验证码识别算法_Python网站验证码识别
0x00 识别涉及技术 验证码识别涉及很多方面的内容.入手难度大,但是入手后,可拓展性又非常广泛,可玩性极强,成就感也很足. 验证码图像处理 验证码图像识别技术主要是操作图片内的像素点,通过对图片的像 ...
- python验证码识别爆破_python-i春秋验证码识别
python+机器学习+验证码识别+源码 简单介绍 最近在写某网站的自动注册,在注册的过程中遇到一些问题,如js的执行.验证码的识别等等,今天给大家如何用python通过机器学习的方式实现验证码的识别 ...
最新文章
- hadoop hdfs总结 NameNode部分 1
- PHP与SQL数据库交互中文乱码怎么办
- 关于SparkStreaming的checkpoint的弊端
- ssm异常捕获和处理
- redis linux中的安装
- 可靠性试验与环境试验概述
- 神经网络 游戏,神经连接游戏
- 【Matlab绘图进阶第2弹】Matlab绘制论文柱状图
- 怎样用软件测试主机电源,电脑电源功率怎么测试
- ​最强全集,数据科学领域,那些你不能不知道的大咖们!
- 应用华为大数据平台配置大数据项目①
- 如何编写开发人员简历招聘经理将实际阅读
- 微信公众号Java开发记录(二)接收、回复消息
- 求1-1/2+1/3-1/4+……+1/99-1/100 的值
- xctf攻防世界 CRYPTO高手进阶区 wtc_rsa_bbq
- 【Python学习笔记】简单调用百度API应用
- Matlab 2018a安装教程和破解方法(附Crack文件)
- Python语法--File文件处理
- prometheus监控zookeeper
- NCCL、OpenMPI、Gloo对比
热门文章
- 计量经济学及Stata应用 陈强 第十章工具变量法习题10.5
- 宝塔 无法自动认证,请填写本地服务器的登录信息!
- java完成计算c=a/b 并输出结果 (java异常捕捉机制 )
- 使用Go语言进行复数计算优选complex128复数类型
- Linux Neo4j 安装APOC插件
- python下vtk及mayavi的安装
- 什么是游戏开发的实体系统框架 What is an entity system framework for game development
- [记录] 关键字排列组合的规则查询(使用Mybatis或者MySQL正则)
- 从古欧洲的四大族群变迁梳理欧洲两千年历史脉络
- 北京副市长要求地铁车厢不得超载