爬虫Python验证码识别入门爬虫Python验证码识别入门

爬虫Python验证码识别

1、批量下载验证码图片
2、识别代码看看效果
3、折腾降噪、去干扰

爬虫Python验证码识别
前言：

二值化、普通降噪、8邻域降噪
tesseract、tesserocr、PIL
参考文献--代码地址：https://github.com/liguobao/python-verify-code-ocr

1、批量下载验证码图片

import shutilimport requestsfrom loguru import loggerfor i in range(100):url = 'http://xxxx/create/validate/image'response = requests.get(url, stream=True)with open(f'./imgs/{i}.png', 'wb') as out_file:response.raw.decode_content = Trueshutil.copyfileobj(response.raw, out_file)logger.info(f"download {i}.png successfully.")del response

文章图片

文章图片

2、识别代码看看效果

from PIL import Imageimport tesserocrimg = Image.open("./imgs/98.png")img.show()img_l = img.convert("L")# 灰阶图img_l.show()verify_code1 = tesserocr.image_to_text(img)verify_code2 = tesserocr.image_to_text(img_l)print(f"verify_code1:{verify_code1}")print(f"verify_code2:{verify_code2}")

文章图片

文章图片

毫无疑问，无论是原图还是灰阶图，一无所有。

3、折腾降噪、去干扰
【爬虫Python验证码识别入门】Python图片验证码降噪 - 8邻域降噪

from PIL import Image# https://www.cnblogs.com/jhao/p/10345853.html Python图片验证码降噪 — 8邻域降噪 def noise_remove_pil(image_name, k):"""8邻域降噪Args:image_name: 图片文件命名k: 判断阈值Returns:"""def calculate_noise_count(img_obj, w, h):"""计算邻域非白色的个数Args:img_obj: img objw: widthh: heightReturns:count (int)"""count = 0width, height = img_obj.sizefor _w_ in [w - 1, w, w + 1]:for _h_ in [h - 1, h, h + 1]:if _w_ > width - 1:continueif _h_ > height - 1:continueif _w_ == w and _h_ == h:continueif img_obj.getpixel((_w_, _h_)) < 230:# 这里因为是灰度图像，设置小于230为非白色count += 1return countimg = Image.open(image_name)# 灰度gray_img = img.convert('L')w, h = gray_img.sizefor _w in range(w):for _h in range(h):if _w == 0 or _h == 0:gray_img.putpixel((_w, _h), 255)continue# 计算邻域非白色的个数pixel = gray_img.getpixel((_w, _h))if pixel == 255:continueif calculate_noise_count(gray_img, _w, _h) < k:gray_img.putpixel((_w, _h), 255)return gray_imgif __name__ == '__main__':image = noise_remove_pil("./imgs/1.png", 4)image.show()

看下图效果：

文章图片

这样差不多了，不过还可以提升
提升新思路：

文章图片

这边的干扰线是从某个点发出来的红色线条，
其实我只需要把红色的像素点都干掉，这个线条也会被去掉。

from PIL import Imageimport tesserocrimg = Image.open("./imgs/98.png")img.show()# 尝试去掉红像素点w, h = img.sizefor _w in range(w):for _h in range(h):o_pixel = img.getpixel((_w, _h))if o_pixel == (255, 0, 0):img.putpixel((_w, _h), (255, 255, 255))img.show()img_l = img.convert("L")# img_l.show()verify_code1 = tesserocr.image_to_text(img)verify_code2 = tesserocr.image_to_text(img_l)print(f"verify_code1:{verify_code1}")print(f"verify_code2:{verify_code2}")

看起来OK，上面还有零星的蓝色像素掉，也可以用同样的方法一起去掉。

文章图片

文章图片

甚至OCR都直接出效果了
好了，完结撒花。
不过，后面发现，有些红色线段和蓝色点，是和验证码重合的。
这个时候，如果直接填成白色，就容易把字母切开，导致识别效果变差。
当前点是红色或者蓝色，判断周围点是不是超过两个像素点是黑色。
是，填充为黑色。
否，填充成白色。

最终完整代码：

from PIL import Imageimport tesserocrfrom loguru import loggerclass VerfyCodeOCR():def __init__(self) -> None:passdef ocr(self, img):""" 验证码OCRArgs:img (img): imgObject/imgPathReturns:[string]: 识别结果"""img_obj = Image.open(img) if type(img) == str else imgself._remove_pil(img_obj)verify_code = tesserocr.image_to_text(img_obj)return verify_code.replace("\n", "").strip()def _get_p_black_count(self, img: Image, _w: int, _h: int):""" 获取当前位置周围像素点中黑色元素的个数Args:img (img): 图像信息_w (int): w坐标_h (int): h坐标Returns:int: 个数"""w, h = img.sizep_round_items = []# 超过了横纵坐标if _w == 0 or _w == w-1 or 0 == _h or _h == h-1:return 0p_round_items = [img.getpixel((_w, _h-1)), img.getpixel((_w, _h+1)), img.getpixel((_w-1, _h)), img.getpixel((_w+1, _h))]p_black_count = 0for p_item in p_round_items:if p_item == (0, 0, 0):p_black_count = p_black_count+1return p_black_countdef _remove_pil(self, img: Image):"""清理干扰识别的线条和噪点Args:img (img): 图像对象Returns:[img]: 被清理过的图像对象"""w, h = img.sizefor _w in range(w):for _h in range(h):o_pixel = img.getpixel((_w, _h))# 当前像素点是红色(线段) 或者绿色（噪点）if o_pixel == (255, 0, 0) or o_pixel == (0, 0, 255):# 周围黑色数量大于2，则把当前像素点填成黑色；否则用白色覆盖p_black_count = self._get_p_black_count(img, _w, _h)if p_black_count >= 2:img.putpixel((_w, _h), (0, 0, 0))else:img.putpixel((_w, _h), (255, 255, 255))logger.info(f"_remove_pil finish.")# img.show()return imgif __name__ == '__main__':verfyCodeOCR = VerfyCodeOCR()img_path = "./imgs/51.png"img= Image.open(img_path)img.show()ocr_result = verfyCodeOCR.ocr(img)img.show()logger.info(ocr_result)