利用tesseract-ocr進行驗證碼識別

由於爬蟲項目須要模擬登錄，但是有一個網站的登陸須要輸入驗證碼。其實這種登陸有2種解決方案，一種是利用cookie，一種是識別圖片。前者須要人工登陸一次，並且有時效限制，故不太現實。後者能夠，可是難點是如何識別出驗證碼。
這裏面就要介紹一個神器了，tesseract-ocr這個項目是一個開源項目，能夠用於圖像識別。不過這個項目如今託管於google，因此很差下載，你能夠搜一下，選擇在國內下載。http://download.csdn.net/detail/neal1991/9502931
一開始我以爲個人驗證碼還挺好識別的，由於都是數字，以下圖：

可是我發覺直接來識別仍是來識別不了的，最好仍是先要對圖片進行一些預處理。說到圖片的預處理就要說到另一個軟件了，就是imagemagick，這個是一個開源的圖片處理項目，你能夠去http://www.imagemagick.org/script/binary-releases.php根據你本身的系統進行相應得下載。這個軟件還有相應的開發api，你能夠自行的根據須要去下載。記住，這個軟件安裝後，配置環境變量後，須要從新啓動的，一開始我還覺得是什麼問題呢。後來發現從新啓動以後，就生效了，能夠直接在cmd中使用。在這我就不說什麼別的了。
首先是對圖片進行預處理：

convert 1.jpg -colorspace gray -normalize -threshold 50% 1.tif

這裏主要是先作一個灰度圖轉化，而後進行歸一化處理，最後設立一個閾值，進行二值化，這樣最後的結果仍是比較清晰的，以下圖：
而後再用tesseract進行識別：

tesseract 1.tif result

是否是很簡單？
在github上面寫了一個nodejs的程序能夠直接執行，不過須要安裝nodejs,連接以下：
https://github.com/neal1991/code-recognition