第二十二节：scrapy爬虫识别验证码（一）字母数字组合验证码识别

图片验证码基本上是有数字和字母或者数字或者字母组成的字符串，然后通过一些干扰线的绘制而形成图片验证码。

例如：知网的注册就有图片验证码

首先我们需要获取验证码图片，通过开发者工具我们可以得到验证码url链接

其次就是通过Pillow类库和tesserocr进行识别，代码如下：

# -*- coding:utf-8 -*-
import tesserocr
from PIL import Image
import requests

# 通过url链接获取验证码图片，并写入本地文件夹里
def get_image(path,url):
    """
    :param path: 文件夹路径
    :param url:  验证码url链接
    """
    respon = requests.get(url=url)      # 请求验证码url
    with open(path,"wb") as file:
        file.write(respon.content)      # 将验证码写到本地


# 由于验证码图片太小，需要对验证码图片放大处理，以便识别
def reset_image_size(image_path):
    """
    :param image_path: 图片所在的路径
    :return:
    """
    image = Image.open(fp=image_path)   # 打开图片
    pic_resize = 5                      # 设置图片放大或者缩小倍数
    (x, y) = image.size                 # 获取图片的大小
    x_s = int(x * pic_resize)           # 放大5倍(可调)
    y_s = int(y * pic_resize)           # 放大5倍(可调)
    out = image.resize((x_s, y_s), Image.ANTIALIAS)     # ANTIALIAS表示高质量图片
    out.save(image_path)


# 读取验证码图片文本
def read_image(image_path):
    """
    :param image_path: 验证码图片路径
    :return:
    """
    image = Image.open(fp=image_path)       # 打开验证码图片
    image = image.convert('L')              # 将验证码图片转换为灰度图(L表示灰度图)
    threshold = 127                         # 设置灰度图二值化阈值
    table = []
    for i in range(256):                    # 像素为256
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    image = image.point(table, '1')         # 二值化处理后的副本(1表示二值化)
    image.show()
    result = tesserocr.image_to_text(image) # 验证码图片转换为文本
    return result


# 验证码识别信息脏数据处理
def VerifInfo(result):
    """
    :param result: 验证码图片通过初步识别后得到的脏数据
    :return:
    """
    verif_str = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ1234567890"
    verif_list = []
    for i in result:
        if i in verif_str:
            verif_list.append(i)
    return "".join(verif_list)



if __name__ == '__main__':
    img_path = "D:photoimage"                                 # 文件夹目录
    img_path = img_path + "VerificationCode.png"               # 验证码图片所在的目录及名称
    img_url = "http://my.cnki.net/elibregister/CheckCode.aspx"  # 验证码url
    get_image(img_path,img_url)                                 # 获取验证码图片
    reset_image_size(img_path)                                  # 调整验证码图片大小
    result = read_image(img_path)                               # 读取验证码图片内容
    verif_info = VerifInfo(result)                              # 验证码内容数据处理
    verif_len  = len(verif_info)                                # 验证码识别长度
    if verif_len == 4 and verif_info:
        print(verif_info)
    else:
        pass

最后就是看看识别的效果吧。前者为原始验证码图片，后者是经过二值化处理的图片。

输出的结果为：FZug

显然使用tesserocr识别还是有误差的，以后可以用深度学习的方式训练处一个模型，可以提高识别效率，后期会跟进实现的。