OCR 文字识别 之 验证码识别

OCR(Option Character Recognition) 技术，可以对图片文字进行识别。爬虫时，可以实现对常规验证码进行识别。

1、安装 tesserocr 库

安装说明参照同期公众号文章：OCR文字识别 之 Tesseract及tesserocr 安装说明

安装包下载地址：https://download.youkuaiyun.com/download/Mountain_tai_li/88222237

另外，还需用到的库有：Selenium、Pillow、NumPy等，根据自己开发环境库安装情况进行补充。

2、识别测试

将网站待识别的验证码图片保存至本地，通过如下代码进行测试：

import tesserocr
from PIL import Image
image = Image.open("test_ocr.png")
result = tesserocr.image_to_text(image, lang='chi_sim')
print(result)

运行输出结果：

PERT.

3、验证码处理

上面测试发现，输出结果与图片内容不完全一致，后面多了一个"."。所以，常规情况下，需要对验证码图片进行一些处理，排除干扰信息。

import tesserocr
from PIL import Image
import numpy as np
image = Image.open("ocr_test.png")
image = image.convert("L")  # 转为灰度图像
array = np.array(image)
array = np.where(array > 150, 255, 0)  # 转为二值图像
image = Image.fromarray(array.astype('uint8'))
image.show()
result = tesserocr.image_to_text(image)
print(result)

处理后的图片为二值图像，如下：

运行输出结果：

PERT

后续公众号会发布系列教程，更多内容请关注公众号：程序猿学习日记