如圖，我們在使用python自動化的時候經常會遇到很多各式各樣的驗證碼。這個是一個數字加法的驗證碼。
干擾項里包含完整的數字、字母信息，普通的OCR識別可能不是很准確。
但是不管怎么樣，咱們先把必要的環境搭建起來，試一下Tesseract的識別結果吧。
很多人學習python，不知道從何學起。 很多人學習python，掌握了基本語法過后，不知道在哪里尋找案例上手。 很多已經做案例的人，卻不知道如何去學習更加高深的知識。 那么針對這三類人，我給大家提供一個好的學習平台，免費領取視頻教程，電子書籍，以及課程的源代碼！ QQ群：701698587 歡迎加入，一起討論 一起學習！
- 1、安裝Tesseract：
首先需要下載Tesseract的安裝包 官方網址：
https://digi.bib.uni-mannheim.de/tesseract/，網上的教程很多推薦安裝名稱里不帶dev的正式版，據說更穩定
- 配置Tesseract：
安裝完畢之后需要配置一下環境變量，分為兩步：
1、在path里加入安裝路徑，及安裝路徑內的tessdata文件夾路徑。
2、新建系統變量{TESSDATA_PREFIX：E:\Program Files (x86)\Tesseract-OCR\tessdata} 這里變量名是固定的TESSDATA_PREFIX，值是剛剛提到的安裝路徑內下一級tessdata文件夾的完整路徑
然后命令行里 安裝pytesseract：
pip install pytesseract完成以上步驟之后，請重新啟動電腦。
- 圖片無法處理識別：
直接調用ocr識別出結果的話，只需要3行代碼：
import pytesseract text = pytesseract.image_to_string('圖片路徑或者內存的圖片對象') print(text)但是對於這個驗證碼的效果不是非常好，比如：
要么是沒有結果，要么就是一堆亂七八糟的東西。
這樣肯定是用不了的
那么只能先處理一下圖片了
- 圖片處理識別：
我下載了20張這個網站的二維碼，發現了以下規律：
1、驗證碼內容一定包含“ = 2位數字+2位數字”的
2、驗證碼內容的顏色是隨機的。
3、驗證碼內容的位置應該是固定的（20張圖片的加號都在同一位置）
4、驗證碼圖片的干擾內容包含字母、數字、符號
5、驗證碼圖片的干擾內容顏色沒有跟主要內容一模一樣，但是每張圖的干擾項一定包含主要內容顏色相近的部分。
可以看到，根據字體的不同，顯示的時候，主干是棕色的，但是構成這個字的邊緣顏色是稍微淡一些的。不過20張圖里都沒有發現有干擾項的顏色跟主要內容顏色一模一樣。
所以我的想法是因為存在主干的近似色，所以主要的濾波手段可能導致把圖片變得更難處理的可能性，所以不如直接獲取主干顏色，其他像素不是主干顏色的全部以白色替代，刪除干擾項之后再進行識別。
主干顏色可以使用固定的加號的正中間那一點的坐標獲取。（80，23）（80，24）
Python代碼如下：
# -*- coding: utf-8 -*- """ Created on Wed Apr 14 16:23:47 2021 @author: roshinntou """ from PIL import Image import pytesseract def images_to_string(index): #導入圖片，抓取的時候可以直接獲取io流 img1= Image.open('index ('+str(index)+').png') #獲取圖片的長寬 w,h = img1.size print('Original image size: %sx%s' % (w, h)) ''' 因為是PNG圖片，像素不是直接以RGB保存的，PNG的每個像素里還有透明度 我們不需要處理透明度，tesseract對於白色和不透明的識別是一樣的，這里就轉成RGB 如果圖片是jpg的，可以直接使用，不需要 convert ''' img1rbg = img1.convert('RGB') #讀取全部的像素數據 src_strlist = img1rbg.load() #獲取主干顏色 data = src_strlist[80,23] print(data) #雙層循環開始替換全部的像素點顏色 for x in range(0,w): for y in range(0,h): #判斷當前點顏色是否等於主干顏色 co = src_strlist[x,y] if co !=data: src_strlist[x,y] = (245, 245, 255) #直接調用內存里的PIL image對象進行圖片識別 text = pytesseract.image_to_string(img1rbg) text = text.replace(" ","").replace("\r\n","").replace(" ","").replace("\r","").replace("\n","") #打印結果 print(text) #保存圖片 img1rbg.save(text+'.png') if __name__ == '__main__': for i in range(1,21): images_to_string(i) 
文件如下：
結語：
准確率我大概看了一下，應該是100%的。以上算是成功破解了對方網站的驗證碼。
驗證碼的識別整體思路應該就是這樣子了，當然我舉得例子是比較簡單的驗證碼。還有各種麻煩的驗證碼，未來可能需要用到截取、卷積、濾波、清洗等等方法，需要根據實際的情況靈活地使用，但是整體的思路就是：
找到驗證碼規律，根據規律清洗干擾噪點，然后識別。希望可以啟發到大家。
最后的最后，現在已經可以獲取驗證碼的字符串了，計算結果非常簡單我就不做了。有興趣的可以試試，我會把所有圖片、源代碼打包，大家可以下載試一下。
Tesseract安裝的時候，系統變量哪里2步都不能少，少一個程序執行就會報錯，切記