一、背景

最近有个需求是从一个后台的留言网站爬取留言数据，后台管理网站必然涉及到了登录，登录就有个验证码的问题必须得解决，由于验证码是从后端生成的，并且不了解其生成规则，那就只能通过图像识别技术来做验证码识别了！通过查阅资料发现Python中的的tesserocr这个库好像使用的比较多，所以对这个库进行了一番研究，并且实现了那个后台网站验证码的识别。

二、准备工作

1. 安装tesserocr

由于我使用的Python版本是python3.5，所以一下所有操作都是基于python3的，如果有python2的同学，可以找找其他教程~~

首先需要下载tesseract，它为tesserocr提供底层支持。具体下载官方路径：https://github.com/UB-Mannheim/tesseract/wiki，选择对应的系统版本，可以选择一个相对不带dev的稳定版本下载，如：tesseract-ocr-setup-3.05.02-20180621.exe。然后一路安装，唯一记得勾选Additional language data（download），勾选可能会用到的语言tessdata，如简体、繁体中文，数学模块等，不需要全选，下载tessdata的时间会比较长。

然后安装python3对应的tesserocr库，通常我们安装库的方法是使用命令pip install tesserocr，但是这里会报错：“error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools",这个时候不宜直接去下载Microsoft Visual C++ Build Tools，而是使用原始的whl文件方式安装。tesserocr 的whl官方文件下载路径：https://github.com/simonflueckiger/tesserocr-windows_build/releases，下载本地环境对应的whl文件，如我的是window64位系统，python版本是3.5。下载完后，使用cd跳转到whl文件所在目录，然后 执行 ”pip installtesserocr-2.2.2-cp35-cp35m-win_amd64.whl“，即可轻松完成安装。

紧接着用例子验证如何使用：我们找到一个验证码图片：image.jpg，下载到本地磁盘，用代码进行验证：

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

不出意外，首次运行总是不顺利，相信我遇到的坑大多数人都会遇到，大抵错误类似：

Traceback (most recent call last):
File "G:\pythonSources\my12306/obtain_message\test.py", line 4, in <module>
print(tesserocr.image_to_text(image))
File "tesserocr.pyx", line 2400, in tesserocr._tesserocr.image_to_text
RuntimeError: Failed to init API, possibly an invalid tessdata path: “本地某个路径”

有个比较简单粗暴的解决方法是把安装好的Tesseract-OCR下的tessdata文件夹整个拷贝到提示的那个路径中，亲测有效。

2. 安装opencv

由于验证码需要做一些优化处理，方便更加容易被tesserocr识别，所以需要使用opencv来做一些特殊的处理，安装opencv比较简单，直接pip install opencv-python即可。

三、识别过程

1. 将图片变成黑白图片

我需要爬取数据的这个后台网站验证码是黄底白字的，这种色差较小的tesserocr识别起来比较困难，稍微试了一下，基本上没怎么识别对过。。。所以我们需要先将图片变成色差最大的黑白图片。初始图片见下图：

首先，将图片变成灰色，并将灰色图片保存起来方便后续做对比，变成灰色以后的图片如下：

变成灰色后，通过像素点的颜色值将灰色部分的背景变成白色，白色的具体内容变成黑色，这样白底黑字的黑白图片就有了：

处理成黑白图片的实现代码如下：

img = Image.open(self.code_path)
# 将图片变成灰色
img_gray = img.convert('L')
img_gray.save('../images/code_gray.png')
# 转成黑白图片
img_black_white = img_gray.point(lambda x: 0 if x > 200 else 255)
img_black_white.save('../images/code_black_white.png')

2. 去除图片噪点

图片转成黑白以后，一些杂点也随着我们的主体内容变成了黑色的点，这样对识别的效果也有较大的影响，所以需要想办法将这些干扰点去掉。这里就需要借助opencv的功能了，在使用opencv去除噪点之前，需要先将图片做灰值化以及二值化处理，具体代码如下所示：

# opencv处理
img_cv = cv2.imread('../images/code_black_white.png')
# 灰值化
im = cv2.cvtColor(img_cv, cv2.COLOR_BGR2GRAY)
# 二值化
cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1)

基本处理之后，就需要消除噪点了，消除噪点的原理也比较简单，就是遍历图片的每一个像素点，找到其上下左右四个像素点位置的颜色，如果这四个点中白色点的数量大于2则说明这个点是噪点，需要将该点的颜色直接置为白色点，在边框位置的像素点也直接置为白色，因为主要内容一般都是在图片中间的。以下为处理噪点的代码：

# 噪点处理
def interference_point(img):
  filename = '../images/code_result.png'
  h, w = img.shape[:2]
  # 遍历像素点进行处理
  for y in range(0, w):
    for x in range(0, h):
      # 去掉边框上的点
      if y == 0 or y == w - 1 or x == 0 or x == h - 1:
        img[x, y] = 255
        continue
      count = 0
      if img[x, y - 1] == 255:
        count += 1
      if img[x, y + 1] == 255:
        count += 1
      if img[x - 1, y] == 255:
        count += 1
      if img[x + 1, y] == 255:
        count += 1
      if count > 2:
        img[x, y] = 255
  cv2.imwrite(filename, img)
  return img, filename

噪点处理完毕之后，就是一张非常清晰的图片了：

这个时候就可以直接使用tesserocr来识别了，具体识别的方式如下：

tesserocr.image_to_text(img_result)

识别测试结果如下：

经过多次识别验证测试，另外也由于这个验证码的字体相对比较规范，所以成功率是相当的高了，即使偶尔的一次失败，我们也是可以进行重试就又成功了。哈哈， 差不多就是这个样子啦，欢迎大家指正文中的问题~~不多说了，我要去使用新学的技术去做“坏事”了！