吴裕雄--天生自然python学习笔记：python 用 Tesseract 识别验证码

用 Selenium 包实现网页自动化操作的案例中，发现很多网页都因
需输入图形验证码而导致实验无法进行 。 解决的办法就是对验证码进行识别 。 识
别的方法之 一 是通过图形处理包将验证码的大部分背景去除，再用 OCR COptical 
Character Recognition ，光学字符识别）来识别出图片文字 。 不同的图形验证码需要
不同图形处理技术去除背景

简单的 OCR－丁esseract 包
Tesseract 是一个流行的 OCR 链接库，最初是由惠普公司（田）在 1985 年开始
研发，直到 2005 年 HP 将 Tesserac t 开源， 2006 年交给 Goog le 维护。

使用 Tesseract 识别图像
Tesseract 的使用方法非常简单，首先导入 Tesseract 包：

 对图片进行识别的语法为：

 

 用 Tesseract 识别文本｜

识别 text I 扣g 图片后，将识别结果保存到 result. txt 文本文件中，再
读取文本文件的内容并显示到命令窗口 。

import subprocess

ocr = subprocess.Popen("tesseract F:\pythonBase\pythonex\ch10\media\text1.jpg F:\pythonBase\pythonex\ch10\media\result")
ocr.wait()
text = open("F:\pythonBase\pythonex\ch10\media\result.txt").read().strip()
print(text)

 验证码识别的原理

许多网站是用很小的彩色杂点背景加上字符的图片作为验证码，现在我们以某
银行网站的验证码为例，来学习这类验证码的破解：

首先用 OpenCV 的 cvtColor 方法将图形转为灰度模式。 cvtColor 方法的语法为：

 

 

import cv2, subprocess

img = cv2.imread("F:\pythonBase\pythonex\ch10\media\bank.jpg")  #讀圖
cv2.namedWindow("Image")  
cv2.imshow("Image", img) #顯示圖形
cv2.waitKey (0) 
cv2.destroyWindow("Image")

cv2.namedWindow("Image")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  #轉為灰階
cv2.imshow("Image", gray) #顯示圖形
cv2.waitKey (0) 
cv2.destroyWindow("Image")

cv2.namedWindow("Image")
_, inv = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY_INV)  #轉為反相黑白
cv2.imshow("Image", inv) #顯示圖形
cv2.waitKey (0) 
cv2.destroyWindow("Image")

可以发现，黑白图形中有许多 白色杂点 。 我们可手动编写代码进行去除 ：

for i in range(len(inv)):  #i為每一列
    for j in range(len(inv[i])):  #j為每一行
        if(inv[i][j] == 255):  #顏色為白色
            count = 0 
            for k in range(-2, 3):
                for l in range(-2, 3):
                    try:
                        if inv[i + k][j + l] == 255:  #若是白點就將count加1
                            count += 1
                    except IndexError:
                        pass
            if count <= 6:  #週圍少於等於6個白點
                inv[i][j] = 0  #將白點去除
dilation = cv2.dilate(inv, (8,8), iterations=1)  #圖形加粗

cv2.namedWindow("Image")
cv2.imshow("Image", dilation) #顯示圖形
cv2.waitKey (0) 
cv2.destroyWindow("Image")

代码会逐行、逐列检查图片中每一个点 ：以一个点为中 心 ，第 5
行和第 6 行代码用 range(-2 , 3 ） 逐一检查其上下左右各两排的点，共计 5 × 5=2 5 个点（包
含自身〉，如果是白色点就将计数器 count 加 l 。 第 12 行判断若这 2 5 个点中白点数
量小于或等于 6 个，就视此点为杂点 ，把这个点删除（设为黑点〉 。 例如下图检测点
周围只有 5 个 自点（含自身），执行的结果就会将其设置为黑点 。

图中的杂点大部分都己去除，但 Tesserac t OCR 识别此图片时仍无法得到正
确字符。所以，我们最后通过 Open CV 的 di l ate 方法把字体加粗， di l ate 方法会把图
片中的自点膨胀，语法为：

 

可以看到白色笔画己变粗了。再用 Tesseract OCR 识别此图片，就得到了正确验
证码。

验证码破解

程序概述

程序执行后会显示验证码图形，按任意键后会在命令窗口显示识别结果。

cv2.imwrite("F:\pythonBase\pythonex\ch10\media\bank_t.jpg", dilation)  #存檔
child = subprocess.Popen('tesseract F:\pythonBase\pythonex\ch10\media\bank_t.jpg E:\result')  #OCR辨識
child.wait()
text = open('E:\result.txt').read().strip()
print("驗證碼為 " + text)