验证码探究
如果你是一个数据挖掘爱好者，那么验证码是你避免不过去的一个天坑，和各种验证码斗争，必然是你成长的一条道路，接下来的几篇文章，我会尽量的找到各种验证码，并且去尝试解决掉它，中间有些技术甚至我都没有见过，来吧，一起Coding吧
数字+字母的验证码
我随便在百度图片搜索了一个验证码，如下
今天要做的是验证码识别中最简单的一种办法，采用pytesseract解决，它属于Python当中比较简单的OCR识别库
库的安装
使用pytesseract之前，你需要通过pip 安装一下对应的模块 ，需要两个
pytesseract库还有图像处理的pillow库了
pip install pytesseract
pip install pillow
pillow库的基本操作
Filter
Format
format属性定义了图像的格式，如果图像不是从文件打开的，那么该属性值为None；
size属性是一个tuple，表示图像的宽和高（单位为像素）；
mode属性为表示图像的模式，常用的模式为：L为灰度图，RGB为真彩色，CMYK为pre-press图像。如果文件不能打开，则抛出IOError异常。
验证码识别
注意安装完毕，如果还是报错，请找到模块 pytesseract.py 这个文件，对这个文件进行编辑
一般这个文件在C:\Program Files\Python36\Lib\site-packages\pytesseract\pytesseract.py位置
文件中 tesseract_cmd = 'tesseract' 改为自己的地址
例如： tesseract_cmd = 'C:\Program Files (x86)\Tesseract-OCR\tesseract.exe'
如果报下面的BUG，请注意
Error opening data file \Program Files (x86)\Tesseract-OCR\tessdata/chi_sim.traineddata Please make sure the TESSDATA_PREFIX environment variable
解决办法也比较容易，按照它的提示，表示缺失了 TESSDATA_PREFIX 这个环境变量。你只需要在系统环境变量中添加一条即可
将 TESSDATA_PREFIX=C:\Program Files (x86)\Tesseract-OCR 添加环境变量
重启IDE或者重新CMD，然后继续运行代码，这个地方注意需要用管理员运行你的py脚本
步骤分为
打开图片 Image.open()
pytesseract识别图片
测试英文，数字什么的基本没有问题，中文简直惨不忍睹。空白比较大的可以识别出来。唉~不好用 当然刚才那个7364 十分轻松的就识别出来了。
带干扰的验证码识别
接下来识别如下的验证码，我们首先依旧先尝试一下。运行代码发现没有任何显示。接下来需要对这个图片进行处理
基本原理都是完全一样的
彩色转灰度
灰度转二值
二值图像识别
彩色转灰度
im = im.convert('L')
灰度转二值，解决方案比较成套路，采用阈值分割法，threshold为分割点
调用
binaryImage = im.point(initTable(),'1')
binaryImage.show()
调整之后
我们还需要对干扰线进行处理。在往下研究去，是图片深入处理的任务，对付小网站的简单验证码，这个办法足够了
网友评论