验证码识别之OCR识别

验证码识别：

背景：

​ 决定开一个专题给大家讲一下验证码识别，不要多想，我们不搞深度学习，知识用于攻破模拟登录的时候弹出的验证码，后续会给大家讲讲滑块等等，反爬虫策略如何应对。

好了，言归正传，目前市面上的验证码识别主要是:

• OCR识别 但是可能准确率不高
• 各种打码平台
• opencv
• 深度学习模型

环境安装：

首先需要安装一个软件，我们可以理解为驱动 Home · UB-Mannheim/tesseract Wiki (github.com),然后根据你的机器是32还是64傻瓜式安装即可。

然后配置一下环境变量：

安装完后，需要将Tesseract添加到系统变量中。
　 环境变量： 我的电脑 ->属性 -> 高级系统设置 ->环境变量 ->系统变量 ，在 path 中添加 安装路径。

然后打开cmd输入：

tesseract -v
1

然后出现版本就说明配置成功了！

然后需要安装两个python的外部库：

pip install pillow
pip install pytesseract
# 或者 
conda install pillow
conda  install pytesseract
1
2
3
4
5

OCR代码实现：

找一张图片去试试！我们平时模拟登录的时候一般是讲图片爬取到本地然后进行识别，然后调用识别后的值.

上代码：

import pytesseract
from PIL import Image
img = Image.open("./code.jpg")
text = pytesseract.image_to_string(img, lang='eng') # lang='eng' 表示将识别语言设置为英语（English） 也可以识别数字
# text = pytesseract.image_to_string(img, lang='eng+chi_sim')
print(text)
1
2
3
4
5
6

参数：

除了英语之外，pytesseract还支持其他语言的文字识别。以下是一些常见的语言参数示例：
1

• 英语：lang='eng'

• 中文简体：lang='chi_sim'

• 中文繁体：lang='chi_tra'

• 西班牙语：lang='spa'

• 法语：lang='fra'

• 德语：lang='deu'

• 意大利语：lang='ita'

• 日语：lang='jpn'

• 韩语：lang='kor'

  大家可以根据需要将语言参数设置为适当的值。如果需要识别多种语言的混合文本，可以将语言参数设置为多个值，例如lang='eng+chi_sim'表示同时使用英语和中文简体进行识别。

  我们看一下识别后的结果：

发现不是很一样吧，因为验证码边缘模糊，像素等等原因，直接使用OCR识别验证码识别率不高，我们也不常用，大家记住，天下没有免费的午餐，接下来我们看一下中文的识别效果。

识别文本：

import pytesseract
from PIL import Image
img = Image.open(r"E:\OCR\img\test.jpg")
text = pytesseract.image_to_string(img, lang='eng+chi_sim')
print(text)
1
2
3
4
5

哟，识别的还不错，我们基于识别后的结果做一些字符串操作就可以准确得到啦！