文章目录
前言一、下载安装tesserocr1. 环境：win7 x64位 +python3.62. 下载链接3.安装注意事项 二、安装pytesseract和Pillow包1.使用pycharm导入pytesseract和Pillow包2.pytesseract包路径设置 三、验证码图片处理1.使用selenium自动批量右击下载验证码2.处理验证码，将其分割为一个个字母3.使用jTessBoxEditor建立训练集1).合并图片2).生成mjchar.box文件3). 校正字符集4).训练 四、实际应用1.定义一个函数，根据输入图片路径，输出识别出的验证码2.将验证码截图传入路径3.结果 总结前言
前期写得爬虫已经逐渐稳定，但是每次都是手动输入验证码，时间久了觉得麻烦，就想着自动识别验证码登陆，于是就开启了各种百度之路，磕磕碰碰，总算成功实现自动登陆，特次复盘此次验证码识别的全过程，以便大家参考。
一、下载安装tesserocr
1. 环境：win7 x64位 +python3.6
tesserocr是Python的一个OCR识别库，但其实是对tesseract做的一层PythonAPI封装，所以它的核心是tesseract。所以需要先安装tesseract。
2. 下载链接
下载链接：https://digi.bib.uni-mannheim.de/tesseract/百度云链接：/s/1LpTBxBitlljUwP0cyqZS-Q 提取码：1d53我下载的是tesseract-ocr-setup-3.05.01版本，并且将之后需要用到软件以及语言包打包在一起，有需要的读者可以点击百度云链接下载。
3.安装注意事项
安装注意事项：在安装到图片这一步时不需要勾选语言包，因为在安装过程中需要额外下载，但总是报错下载不了，可以先安装完再将单独下载语言包放入.\Tesseract-OCR\tessdata文件夹中即可。
添加系统变量：我是参考用于图片文本识别的Tesseract-OCR的安装说明(windows10)这篇博文的。
二、安装pytesseract和Pillow包
1.使用pycharm导入pytesseract和Pillow包
2.pytesseract包路径设置
pytesseract安装完需要打开pytesseract文件，找到tesseract_cmd（一般在前几十行），将其设置为自己的tesseract.exe的安装路径，不然运行时会报错。tesseract_cmd = r"D:\\python work\\tesserocr\\Tesseract-OCR\\tesseract.exe"
三、验证码图片处理
1.使用selenium自动批量右击下载验证码
这里我采用的是每次点击验证码就会自动刷新一下，然后右击另存为保存验证码，循环100次。
from selenium import webdriverfrom mon.action_chains import ActionChainsimport timeimport win32apiimport win32con# 键盘键按下def keyDown(keyName):win32api.keybd_event(VK_CODE[keyName], 0, 0, 0)# 键盘键抬起def keyUp(keyName):win32api.keybd_event(VK_CODE[keyName], 0, win32con.KEYEVENTF_KEYUP, 0)if __name__ == '__main__':url = ''driver = webdriver.Chrome()driver.get(url)VK_CODE = {'enter': 0x0D, 'down_arrow': 0x28}element = driver.find_element_by_xpath('//*[@id="vercode"]')for i in range(100):element.click()action = ActionChains(driver).move_to_element(element) # 移动到该元素action.context_click(element).perform() # 右键点击该元素time.sleep(1)win32api.keybd_event(86, 0, 0, 0)win32api.keybd_event(86, 0, win32con.KEYEVENTF_KEYUP, 0)time.sleep(3)keyDown("enter")keyUp("enter")time.sleep(1)
得到的验证码如下：
2.处理验证码，将其分割为一个个字母
从这里开始之后的每一个步骤都是参考这篇文章:python+tesseract 训练和破解验证码
我将爬取下来的图片放在脚本所在目录的origin_imgs文件夹中，直接粘贴作者所写代码，成功将处理好后的照片放入clean_imgs文件夹中，脚本如下：
import pytesseractfrom PIL import Imageimport osif __name__ == '__main__':path = os.path.dirname(__file__)origin_path = path + '/origin_imgs/'new_path = path + '/clean_imgs/' #用来存放处理好的图片#从100张图片中提取出字符样本print(os.listdir(origin_path))for image in os.listdir(origin_path):im = Image.open(origin_path + image)width, height = im.size# 获取图片中的颜色，返回列表[(counts, color)...]color_info = im.getcolors(width * height)# 按照计数从大到小排列颜色，那么颜色计数最多的应该是背景，接下来排名2到6的则对应5个字符。sort_color = sorted(color_info, key=lambda x: x[0], reverse=True)# 根据颜色，提取出每一个字符，重新放置到一个新建的白色背景image对象上。每个image只放一个字符。char_dict = {}for i in range(1, 6):im2 = Image.new('RGB', im.size, (255, 255, 255))for x in range(im.size[0]):for y in range(im.size[1]):if im.getpixel((x, y)) == sort_color[i][1]:im2.putpixel((x, y), (0, 0, 0))else:im2.putpixel((x, y), (255, 255, 255))im2.save(new_path + str(i) + '-' + image.replace('jpg', 'tif'))print('成功处理图片{}'.format(image))
运行后得到的结果是如上图所示的白底黑字的单个字符，接下就是去识别训练这些单个字符。
3.使用jTessBoxEditor建立训练集
参考这篇文章:python+tesseract 训练和破解验证码
1).合并图片
这里我在使用jTessBoxEditor合并图片时总是报错，于是百度了一下后使用TiffToy软件成功将图片合并，有需要的朋友可以从文章前面的百度云链接直接下载。2).生成mjchar.box文件
打开cmd, 切换到char_imgs目录下，执行tesseract命令：
tesseract mjchar.tif mjchar -psm 10 batch.nochop makebox
此时会在char_imgs目录下生成了一个mjchar.box文件。
3). 校正字符集
用 jTessBoxEditor打开生成的图片集 mjchar.tif ,注意 mjchar.tif 与对应的box文件一定要处于同一个文件夹下，然后就可以开始调整了（记得要翻页），调整完之后保存。
注1：这个软件容易点开关闭后再打开没反应，关机重启后才可以，原因未找到。注2：在方框内修改完字符后需要先点击下方空白处，才算修改完，之后再点击翻页，修改其他字符，我第一次使用不知道，全部修改完才发现白修改了，又重新修改了一遍。
4).训练
这里完全参考python+tesseract 训练和破解验证码
一步步操作即可。
1.在char_imgs目录下新建一个名字为“font_properties”的文本文件，并且输入文本 normal 0 0 0 0 0，表示非斜体，粗体的一般字体。
2.执行 tesseract mjchar.tif mjchar nobatch box.train 进行测试训练。
3.执行 unicharset_extractor mjchar.box， char_imgs目录下生成一个名为unicharset的文件。
4.执行 shapeclustering -F font_properties.txt -U unicharset mjchar.tr, char_imgs目录下生成一个名为mjchar.tr的文件
5.执行 mftraining -F font_properties.txt -U unicharset -O unicharset mjchar.tr
6.执行 cntraining mjchar.tr
7.重命名生成的文件
8.执行 combine_tessdata normal, 合并五个文件，此时目录下的normal.traineddata 就是训练好的字库文件。
9.把normal.traineddata 复制到Tesseract-OCRt程序目录下的“tessdata”目录
至此本次需要识别的验证码已经训练完毕，接下就是实际验证了。
四、实际应用
1.定义一个函数，根据输入图片路径，输出识别出的验证码
def read_text(text_path):"""传入文本(jpg、png)的绝对路径,读取文本:param text_path::return: 文本内容"""# 指定路径，路径为安装的OCR对应的目录im = Image.open(text_path) # 直接读取bytes数据，生成图片对象width, height = im.size# 获取图片中的颜色，返回列表[(counts, color)...]color_info = im.getcolors(width * height)sort_color = sorted(color_info, key=lambda x: x[0], reverse=True)# 将背景全部改为白色, 提取出字，每张图片一个字char_dict = {}for i in range(1, 6):start_x = 0im2 = Image.new('RGB', im.size, (255, 255, 255))for x in range(im.size[0]):for y in range(im.size[1]):if im.getpixel((x, y)) == sort_color[i][1]:im2.putpixel((x, y), (0, 0, 0))if not start_x:start_x = x # 标记每个字符的起始位置，用于最后字符串的排序else:im2.putpixel((x, y), (255, 255, 255))char = pytesseract.image_to_string(im2, lang='gy', config='--psm 10')char_dict[start_x] = charcode = ''.join([item[1] for item in sorted(char_dict.items(), key=lambda i: i[0])])return code
注：此处为训练好的字体
2.将验证码截图传入路径
def v_code_input(self): # 识别验证码并输入img = self.driver.find_element_by_xpath('//*[@id="vercode"]') # 获取验证码v_code = read_text(BytesIO(img.screenshot_as_png)) # 识别验证码verCode = self.driver.find_element_by_id('captcha')verCode.send_keys(v_code)self.driver.find_element_by_xpath('//*[@id="subButton"]').click()time.sleep(3)try:print("验证码识别错误，重新输入")self.v_code_input()except NoSuchElementException:print("验证码识别通过，等待开始外呼数据查询")pass
注：这里为了判别验证码是否正确，模拟点击登录，如果识别成功，则页面会跳转，登录按钮会消失，此时再点击会报错，如果报错即可认为识别成功
3.结果
def login_gy(self, url, user, pwd): # 登陆高阳系统self.driver = webdriver.Chrome()time.sleep(5)self.driver.get(url)time.sleep(3)username = self.driver.find_element_by_id('agentNumber')username.send_keys(user) # 输入用户名time.sleep(1)password = self.driver.find_element_by_id('agentPwd')password.send_keys(pwd) # 输入密码time.sleep(1)self.v_code_input() # 输入验证码time.sleep(10)
总结
虽然过程很曲折，但好在坚持了下来，也学到了不少，最后的结果还是挺有成就感的，在此，非常感谢大佬的详细分享，才得以让我少走很多弯路，非常感谢，也希望能给看到我这篇文章的人提供一点点帮助。
