当前位置：首页 > news >正文

〖Python网络爬虫实战㉞〗- 图形验证码OCR识别

news 文章来源：https://blog.csdn.net/BROKEN__Y/article/details/132569579 2025/5/10 18:49:31

订阅：新手可以订阅我的其他专栏。免费阶段订阅量1000+

python项目实战

Python编程基础教程系列（零基础小白搬砖逆袭)

说明：本专栏持续更新中，订阅本专栏前必读关于专栏〖Python网络爬虫实战〗转为付费专栏的订阅说明
作者：爱吃饼干的小白鼠。Python领域优质创作者，2022年度博客新星top100入围，荣获多家平台专家称号。

前言

        目前，许多网站采取各种各样的措施来反爬虫，其中一个措施便是使用验证码。随着技术的发展，验证码的花样越来越多。验证码最初是几个数字组合的简单的图形验证码，后来加入了英文字母和混淆曲线。有的网站还可能看到中文字符的验证码，这使得识别愈发困难。

        后来 12306 验证码的出现使得行为验证码开始发展起来，用过 12306 的用户肯定多少为它的验证码头疼过。我们需要识别文字，点击与文字描述相符的图片，验证码完全正确，验证才能通过。现在这种交互式验证码越来越多，如极验滑动验证码需要滑动拼合滑块才可以完成验证，点触验证码需要完全点击正确结果才可以完成验证，另外还有滑动宫格验证码、计算题验证码等。

        验证码变得越来越复杂，爬虫的工作也变得愈发艰难。有时候我们必须通过验证码的验证才可以访问页面。本章就专门针对验证码的识别做统一讲解。

接下来会涉及的验证码有普通图形验证码、极验滑动验证码、点触验证码、微博宫格验证码，这些验证码识别的方式和思路各有不同。了解这几个验证码的识别方式之后，我们可以举一反三，用类似的方法识别其他类型验证码。

环境使用

python 3.9
pycharm

图形验证码的识别

我们首先识别最简单的一种验证码，即图形验证码。这种验证码最早出现，现在也很常见，一般由 4 位字母或者数字组成。例如，某某网站的注册页面有类似的验证码。

一般来说，表单的最后一项就是图形验证码，我们必须完全正确输入图中的字符才可以完成注册和登录。

1. 本节目标

以某网站的验证码为例，讲解利用 OCR 技术识别图形验证码的方法。

2. 准备工作

识别图形验证码需要库 tesserocr。本文文末有安装教程。

3. 获取验证码

为了便于我们的实验测试，我们先将验证码的图片保存到本地。

打开开发者工具，找到验证码元素。验证码元素是一张图片，它的 src 属性是 CheckCode.aspx。可以看到一个验证码，右键保存即可，将其命名为 yzm.jpg。

这样我们就可以得到一张验证码图片，以供测试识别使用。

4. 识别测试

接下来新建一个项目，将验证码图片放到项目根目录下，用 tesserocr 库识别该验证码，代码如下所示：

import tesserocr
from PIL import Imageimage = Image.open('yzm.jpg')
result = tesserocr.image_to_text(image)
print(result)

在这里我们新建了一个 Image 对象，调用了 tesserocr 的 image_to_text() 方法。传入该 Image 对象即可完成识别，实现过程非常简单，结果如下所示：JR42。是不是很神奇。

5.验证码处理

接下来我们换一个验证码，将其命名为 code.jpg

重新运行上面的代码，输出FFKT。

这次识别和实际结果有偏差，这是因为验证码内的多余线条干扰了图片的识别。

对于这种情况，我们还需要做一下额外的处理，如转灰度、二值化等操作。我们可以利用 Image 对象的 convert() 方法参数传入 L，即可将图片转化为灰度图像，代码如下所示：

image = image.convert('L')image = image.convert('1')image.show()

我们还可以指定二值化的阈值。上面的方法采用的是默认阈值 127。不过我们不能直接转化原图，要将原图先转为灰度图像，然后再指定二值化阈值，代码如下所示：

image = image.convert('L')
threshold = 80
table = []
for i in range(256):if i < threshold:table.append(0)else:table.append(1)image = image.point(table, '1')
image.show()

运行之后就会得到我们想要的处理结果。而且我们发现原来验证码中的线条已经去除，整个验证码变得黑白分明。这时重新识别验证码，再次运行上面的代码就可以得到我们要的验证码。

那么，针对一些有干扰的图片，我们做一些灰度和二值化处理，这会提高图片识别的正确率。

tesserocr库安装

在这里我和大家简单介绍一下，这个库的安装教程。

1.tesseract软件的安装

在win10下，安装tesseract可以进入该网址进行下载 https://digi.bib.uni-mannheim.de/tesseract/

其中，文件名中带有dev的为开发版本，不带dev的为稳定版本，可以选择下载不带dev的版本。例如可以选择下载tesseract-ocr-win64-setup-v5.3.0.20221214.exe。
下载完成后，打开下载文件，其中可以勾选Additional language data(download)选项来安装OCR识别支持的语言包，以便OCR识别多国语言。(也可以在选项中只勾选chinese)

2.环境配置

在系统变量里，修改path，添加你安装tesserocr的路径。在系统变量里，创建一个新的变量名为:TESSDATA_PREFIX，值为:D:\Program Files(X86)\Tesseract-OCR\tessdata(根据自己安装的tesserocr安装路径为准)。

3、安装tesseracr包

- 尝试pip安装：

pip install tesserocr

- 如果不成功，则尝试通过.whl文件安装。

下载地址：https://github.com/simonflueckiger/tesserocr-windows_build/releases 这里就不介绍whl怎么安装的了，不会的私信评论。

TIP:

tesserocr也只是识别手段的一种，如果需要高精度的识别，可以尝试TensorFlow实现深度学习模型，通过训练模型来识别图形验证码。

最近更新

前言