一、背景
最近有個需求是從一個后台的留言網站爬取留言數據，后台管理網站必然涉及到了登錄，登錄就有個驗證碼的問題必須得解決，由於驗證碼是從后端生成的，並且不了解其生成規則，那就只能通過圖像識別技術來做驗證碼識別了！通過查閱資料發現Python中的的tesserocr這個庫好像使用的比較多，所以對這個庫進行了一番研究，並且實現了那個后台網站驗證碼的識別。
二、准備工作
1. 安裝tesserocr
由於我使用的Python版本是python3.5，所以一下所有操作都是基於python3的，如果有python2的同學，可以找找其他教程~~
首先需要下載tesseract，它為tesserocr提供底層支持。具體下載官方路徑：https://github.com/UB-Mannheim/tesseract/wiki，選擇對應的系統版本，可以選擇一個相對不帶dev的穩定版本下載，如：tesseract-ocr-setup-3.05.02-20180621.exe。然后一路安裝，唯一記得勾選Additional language data（download），勾選可能會用到的語言tessdata，如簡體、繁體中文，數學模塊等，不需要全選，下載tessdata的時間會比較長。
然后安裝python3對應的tesserocr庫，通常我們安裝庫的方法是使用命令pip install tesserocr，但是這里會報錯：“error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools", 這個時候不宜直接去下載Microsoft Visual C++ Build Tools，而是使用原始的whl文件方式安裝。tesserocr 的whl官方文件下載路徑：https://github.com/simonflueckiger/tesserocr-windows_build/releases，下載本地環境對應的whl文件，如我的是window64位系統，python版本是3.5。下載完后，使用cd跳轉到whl文件所在目錄，然后 執行 ”pip install tesserocr-2.2.2-cp35-cp35m-win_amd64.whl“，即可輕松完成安裝。
緊接着用例子驗證如何使用：我們找到一個驗證碼圖片：image.jpg，下載到本地磁盤，用代碼進行驗證：
1 import tesserocr 2 from PIL import Image 3 image=Image.open('image.jpg') 4 print(tesserocr.image_to_text(image))
不出意外，首次運行總是不順利，相信我遇到的坑大多數人都會遇到，大抵錯誤類似：
Traceback (most recent call last):
File "G:\pythonSources\my12306/obtain_message\test.py", line 4, in <module>
print(tesserocr.image_to_text(image))
File "tesserocr.pyx", line 2400, in tesserocr._tesserocr.image_to_text
RuntimeError: Failed to init API, possibly an invalid tessdata path: “本地某個路徑”
有個比較簡單粗暴的解決方法是把安裝好的Tesseract-OCR下的tessdata文件夾整個拷貝到提示的那個路徑中，親測有效。
2. 安裝opencv
由於驗證碼需要做一些優化處理，方便更加容易被tesserocr識別，所以需要使用opencv來做一些特殊的處理，安裝opencv比較簡單，直接pip install opencv-python即可。
三、識別過程
1. 將圖片變成黑白圖片
我需要爬取數據的這個后台網站驗證碼是黃底白字的，這種色差較小的tesserocr識別起來比較困難，稍微試了一下，基本上沒怎么識別對過。。。所以我們需要先將圖片變成色差最大的黑白圖片。初始圖片見下圖：
首先，將圖片變成灰色，並將灰色圖片保存起來方便后續做對比，變成灰色以后的圖片如下：
變成灰色后，通過像素點的顏色值將灰色部分的背景變成白色，白色的具體內容變成黑色，這樣白底黑字的黑白圖片就有了：
處理成黑白圖片的實現代碼如下：
1 img = Image.open(self.code_path) 2 # 將圖片變成灰色 3 img_gray = img.convert('L') 4 img_gray.save('../images/code_gray.png') 5 # 轉成黑白圖片 6 img_black_white = img_gray.point(lambda x: 0 if x > 200 else 255) 7 img_black_white.save('../images/code_black_white.png')
2. 去除圖片噪點
圖片轉成黑白以后，一些雜點也隨着我們的主體內容變成了黑色的點，這樣對識別的效果也有較大的影響，所以需要想辦法將這些干擾點去掉。這里就需要借助opencv的功能了，在使用opencv去除噪點之前，需要先將圖片做灰值化以及二值化處理，具體代碼如下所示：
1 # opencv處理 2 img_cv = cv2.imread('../images/code_black_white.png') 3 # 灰值化 4 im = cv2.cvtColor(img_cv, cv2.COLOR_BGR2GRAY) 5 # 二值化 6 cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1)
基本處理之后，就需要消除噪點了，消除噪點的原理也比較簡單，就是遍歷圖片的每一個像素點，找到其上下左右四個像素點位置的顏色，如果這四個點中白色點的數量大於2則說明這個點是噪點，需要將該點的顏色直接置為白色點，在邊框位置的像素點也直接置為白色，因為主要內容一般都是在圖片中間的。以下為處理噪點的代碼：
1 # 噪點處理 2 def interference_point(img): 3 filename = '../images/code_result.png' 4 h, w = img.shape[:2] 5 # 遍歷像素點進行處理 6 for y in range(0, w): 7 for x in range(0, h): 8 # 去掉邊框上的點 9 if y == 0 or y == w - 1 or x == 0 or x == h - 1: 10 img[x, y] = 255 11 continue 12 count = 0 13 if img[x, y - 1] == 255: 14 count += 1 15 if img[x, y + 1] == 255: 16 count += 1 17 if img[x - 1, y] == 255: 18 count += 1 19 if img[x + 1, y] == 255: 20 count += 1 21 if count > 2: 22 img[x, y] = 255 23 cv2.imwrite(filename, img) 24 return img, filename
噪點處理完畢之后，就是一張非常清晰的圖片了：
這個時候就可以直接使用tesserocr來識別了，具體識別的方式如下：
1 tesserocr.image_to_text(img_result)
識別測試結果如下：
經過多次識別驗證測試，另外也由於這個驗證碼的字體相對比較規范，所以成功率是相當的高了，即使偶爾的一次失敗，我們也是可以進行重試就又成功了。哈哈， 差不多就是這個樣子啦，歡迎大家指正文中的問題~~不多說了，我要去使用新學的技術去做“壞事”了！