Python tesserocr模塊使用示例

操做系統：Win10 1709  X64

python版本：3.6.5

依賴模塊：PIL、tesserocr。

　　須要說明的是，在windows系統上PowerShell經過PIP3 install tesserocr安裝驗證碼識別模塊時，須要先安裝Tesseract （一款由HP實驗室開發由Google維護的開源OCR（Optical Character Recognition , 光學字符識別）引擎，與Microsoft Office Document Imaging（MODI）相比，咱們能夠不斷的訓練的庫，使圖像轉換文本的能力不斷加強。）可執行文件。

　　以中國知網的註冊頁面爲例，咱們常被要求輸入這類簡單的字母組成，背景含不少雜線的驗證碼，以下圖所示：

咱們對驗證碼另存爲到本地代碼所在目錄，取名：test.png.

下圖是直接用對應模塊識別的代碼示例：

import tesserocr
from PIL import Image
image=Image.open('test.png')

image.show()  #能夠打印出圖片，供預覽
print(tesserocr.image_to_text(image))

　　

　　原始圖片尺寸較小，極少狀況下若是沒法正常識別，能夠藉助圖片處理工具PIL模塊進行圖片等比例放大後保存。此例中直接運行上述代碼，結果爲「VHIHI」，即便是肉眼可見較爲清晰的驗證碼，若是圖片未經處理直接交由tesserocr解析，也可能識別率很低。

　　一般狀況下，咱們還須要作些額外的圖片處理，如轉灰度圖，二值化等。

利用Image對應的convert()方法傳參L，便可將圖片轉爲灰度圖。

image=image.convert('L')

image.show()

傳入1便可完成二值化，以下：

image=image.convert('1')

image.show()

固然咱們更多時候須要根據圖片的實際狀況指定二值化的閾值，好比咱們將閾值設定爲80，先轉灰度圖，再二值化，代碼以下：

import tesserocr
from PIL import Image
image=Image.open('test.png')
image=image.convert("L")
threshold=80
table=[]
for i in range(256):
    if i <threshold:
        table.append(0)
    else:
        table.append(1)
image=image.point(table,'1')
image.show()
print(tesserocr.image_to_text(image))

觀察處處理後圖片如右：

　　儘管圖片已經轉爲灰度圖，且過濾了大部分雜線，可是圖片關鍵像素丟失嚴重，識別結果天然也不盡如人意，結果：「VH.」。

此時咱們根據圖片的實際狀況，人爲調整程序中預設的閾值到130，再觀察：,此次的圖片轉換效果顯著，咱們再次查看識別結果，「VHRU」，與肉眼觀察到的別無二致，合乎要求。

可見驗證碼的識別除了用好識別模塊，還須要在必要時引入PIL（圖片處理模塊）進行圖片預處理，預處理過程當中的閾值等設定也存有技巧，不一樣的參數設定，會徹底影響最終的識別率。

　　現實中不少網站的驗證碼要遠比例子中的來得複雜，尤爲是12306購票網站的驗證碼，使行爲驗證碼開始高速發展，肉眼分辨起來都異常困難，這就要求咱們對驗證碼的識別技術要不斷提高，才能突破網站逐步升級的反爬蟲機制。