利用Python轻松搞定数字英文验证码，搞定Python爬虫反爬

Chapter15 | 验证码识别

• 一、模拟登录知乎
• 二、光学字符识别
• • 1、pytesseract
  • 2、验证码的识别
  • 3、图像处理
  • • 3.1、二值图像
    • 3.2、灰度图像
    • 3.3、索引图像
    • 3.4、处理实例
  • 4、处理复杂验证

很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！??¤
QQ群：961562169

验证码(CAPTCHA)的全程为全自动区分计算机和人类的公开图灵测试
从全程可以看出：验证码用于测试用户是否为真实人类
以识别知乎验证码为例，介绍简单的验证码处理

一、模拟登录知乎

• 如果访问过于频繁，服务器要求输入验证码
• 如果短时间内在知乎上频繁的登录退出，知乎就会要求输入验证码

对于比较简单的字符型验证码，可以尝试用pytesseract库识别这些验证码
pytesseract是一款用于光学字符识别的Python第三方库，可以从图片中识别出其中嵌入的文字

我们可以看到有些验证码是识别不出来的。

• 随着计算能力和机器学习的发展，涌现出很多新型验证码，使得验证码处理越来越难。如下图：
  
• 验证码的识别是一个专门的研究领域，对于普通用户来说，要采用合适的抓取策略，尽量避免验证码的出现。

二、光学字符识别

光学字符识别(Optical Character Recognition，OCR) 用于从图像中抽取文本
我们使用开源的Tesseract OCR引擎，该引擎最初由惠普公司开发，目前由Google主导
在验证码识别中，使用Python的封装版本pytesseract

1、pytesseract

官网：https://pypi.python.org/pypi/pytesseract
函数：image_to_string()
用法：print(pytesseract.image_to_string(Image.open(“test.png”)))

• pytesseract是一个基于Google‘s Tesseract-OCR的独立封装包
• pytesseract功能是识别图片文件中文字，并作为返回参数返回识别结果
• pytesseract默认支持tiff、bmp格式图片，只有在安装PIL之后，才能支持jpeg、gif、png等其他图片格式

PIL提供了通用的图像处理功能，以及大量有用的基本图像操作，比如图像缩放、裁剪、旋转、颜色转换等。
利用PIL中函数，我们可以从大多数图像格式的文件中读取数据，然后写入最常见的图像格式文件中
PIL中最重要的模块为Image

我们要先安装PIL：pip install Pillow-7.1.1-cp36-cp36m-win_amd64.whl
PIL的open()函数用于创建PIL图像对象
下面开始进行测试：

from PIL import Image
from PIL.ImageShow import show
# 读取图片
img = Image.open(".\\3.png")
# 显示图片
show(img)

下图为测试运行的图片

• 输出图片格式 img.format
• 输出图片尺寸 img.size
• 输出图片类型 img.mode

# 输出图片的格式，尺寸以及图像类型
print(img.format,img.size,img.mode)

• 生成缩略图img.thumbnail()

# 生成缩略图
img.thumbnail((128,128))
# 显示图片
show(img)

要旋转一张图片，可以使用逆时针方式表示旋转角度，然后调用rotate()函数
当旋转角度为90°，180°，270°的时候可以用img.transpose(Image.ROTATE_90)
其他角度用rotate()

# 逆时针旋转45°
rorate1 = img.rotate(45)
show(rorate1)
# 逆时针旋转90°
rorate1 = img.transpose(Image.ROTATE_90)
show(rorate2)

左右对换 img.transpose(Image.FLIP_LEFT_RIGHT)
上下翻转 img.transpose(Image.FLIP_TOP_BOTTOM)

# 左右对换
rorate3 =  img.transpose(Image.FLIP_LEFT_RIGHT)
show(rorate3)
# 上下翻转
rorate4 = img.transpose(Image.FLIP_TOP_BOTTOM)
show(rorate4)

图像的颜色转换可以使用convert()方法来实现。要读取一幅图像，并将其转换成灰色图像，只需要加上convert('L')

# 图像转换为灰度
grey = img.convert('L')
show(grey)

Python规定左上角为(0,0)的坐标点，box由一个4元组(左，上，右，下)定义，表示为坐标为：(left,upper,right,lower),最后的两个数字必须比前面两个要大

# 裁剪如片 box为裁剪图片的区域范围
box = (30,30,100,100)
region = img.crop(box)
show(region)

2、验证码的识别

from PIL import Image
from PIL.ImageShow import show
import pytesseract
# 读取图片
img = Image.open(".\\2.png")
# 显示图片
show(img)
print(pytesseract.image_to_string(img))

3、图像处理

在用pytesseract进行验证码识别之前，我们首先需要对验证码图片进行预处理，尽量取出噪声，而只保留有验证码信息的像素
pytesseract基本上无法识别那些没有经过预处理的验证码图片
下面为一些基本的验证码预处理方法：

• 通常图像处理的流程如下图，验证码的完整预处理为步骤二
  

在实际中，我们通常的预处理步骤为：
1、灰度化
2、二值化
3、去噪

• 图像处理一般指数字图像处理。数字图像是指工业相机、摄像机、扫描仪等设备经过摄像得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值
• 在计算机中，按照颜色和灰度的多少可以将图像分为二位图像，灰度图像、索引图像和真彩色RGB图像四种基本类型。大多数图像处理软件和python库都支持这四种类型的图像

3.1、二值图像

一幅二值图像的二维矩阵仅有0，1两个值构成。
“0”代表黑色，“1”代表白色
由于每一个像素（矩阵中每一个元素）取值仅有0，1两种可能，所以计算机中二值图像的数据类型通常为1个二进制位

3.2、灰度图像

灰度图像矩阵元素的取值范围通常为[0,255]。因此其数据类型一般为8位无符号整数的(int8),这就是人们经常提到的256灰度图像
0表示纯黑色，255表示纯白色，中间的数字从小到大表示由黑到白的过渡色
二值图像可以看成是灰度图像的一个特例

3.3、索引图像

索引图像的文件结构比较复杂，出去存放图像的二维矩阵外，还包括一个称之为颜色索引矩阵的MAP的二维数组
MAP的大小由存放图像的矩阵元素值域决定，如矩阵元素值域位[0,255]，则MAP矩阵的大小为256x3，用MAP=[RGB]表示
MAP中每一行的三个元素分别指定该行对应颜色的红、绿、蓝单色值

3.4、处理实例

import time
import requests
from PIL import Image
from PIL.ImageShow import show
import pytesseract
# 读取图片
img = Image.open(".\\2.png")
show(img)
gray = img.convert('L')
show(gray)
for i in range(1,100,9):
    bw = gray.point(lambda x:0 if x<i else 255)
    show(bw)
    time.sleep(1)

识别验证码并显示

import time
import requests
from PIL import Image
from PIL.ImageShow import show
import pytesseract
# 读取图片
img = Image.open(".\\2.png")
# show(img)
gray = img.convert('L')
# show(gray)
for i in range(1,100,9):
    bw = gray.point(lambda x:0 if x<i else 255)
    # show(bw)
    # time.sleep(1)
print("验证码为：" + pytesseract.image_to_string(img))
print("验证码为：" + pytesseract.image_to_string(gray))
print("验证码为："+ pytesseract.image_to_string(bw))