【技術】python+PIL+pytesser處理驗證碼環境搭建
=======================================
【提示】本文中pyteser適用於python2.X。如果用的是pyhon3.X,需要下載pytesser3.
第一個坑: pytesser3需要搭配tesseract-ocr使用,和下文操作不同。
第二個坑: pytesser3安裝後居然需要你手動更改一個地址:__init__.py檔案第11行的tesseract地址。
第三個坑:我在 傳送門下載tesseract-ocr,以為能使用。但是執行程式時候報錯:[WinError 5] 拒絕訪問。
我不知道哪裡的問題,想來想去可能是windows問題,於是下載了windows版本的tesseract(用exe安裝):
綜上,本問題本人沒解決。能不用windows就別用windows。
=======================================
前言:
春節期間,無法全身心投入地去寫爬蟲,那就玩玩驗證碼吧,應該比較有趣!
首次接觸驗證碼識別,用pytesser接觸一下最簡單的驗證碼先,程式碼參照:使用python以及工具包進行簡單的驗證碼識別。具體細節可以參見原文,裡面安裝和報錯處理沒有詳細記錄,我在此處主要記錄一下自己的安裝及處理過程。
效果:
可識別以下型別的驗證碼:
正文:
程式碼:
# encoding=utf-8 from PIL import Image from pytesser import * img = Image.open('驗證碼.jpg') img_grey = img.convert('L') threshold = 140 table = [] for i in range(256): if i < threshold: table.append(0) else: table.append(1) img_out = img_grey.point(table, '1') text = image_to_string(img_grey) # 將圖片轉成字串 print text
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
安裝包:
需要安裝的包主要有兩個: PIL 和 pytesser 。
我的環境:64位win8系統、python2.7
PIL模組的安裝:
PIL 全稱 “Python Imaging Library”。
下載地址:傳送門
我下載了
執行報錯:Python version 2.7 required, which was not found in the registry.
網上找出原因:這個 PIL 安裝資源是給32位作業系統,32位和64位作業系統下的python在登錄檔中的路徑是不一樣的:
64位檢查登錄檔的位置是: HKLM|HKCU\SOFTWARE\
32位檢查登錄檔的位置是: HKLM|HKCU\SOFTWARE\wow6432node\
所以在64位系統中自然檢查不出有Python。
解決方案:
官方沒有提供64位的PIL庫,但非官方有:傳送門。
下載裡面的pillow庫:
然後在命令列安裝該模組: pip install G:/For_Life/360download/Pillow-3.1.1-cp27-none-win_amd64.whl
注意:在 pillow 下載頁中有一行 “Use ‘from PIL import Image’ instead of ‘import Image’” ,所以一般方法安裝的 PIL 要匯入 Image 模組使用 “import Image” ,而此方法安裝的 PIL 要使用 “from PIL import Image” 。
更多請見:Windows安裝Python影象處理庫:PIL模組。
pytesser模組的安裝:
下載地址:傳送門。(此網址有時候會載入失敗,我將自己下載的放在微盤上了:傳送門 密碼:DPHE)
下載後得到 “pytesser_v0.0.1.zip”,是一個壓縮檔案,使用方法:
1、在 “D:\For_Software\others\Python_PyDev\Python\Lib\site-packages” 路徑下新建一個資料夾,命名 “pytesser” 。把 “pytesser_v0.0.1.zip” 裡的檔案解壓到該目錄:
2、將 “pytesser.py” 改名為 “__init__.py”。
3、開啟 “__init__.py” 檔案,將 “tesseract_exe_name” 變數的值改為 “‘D:/For_Software/others/Python_PyDev/Python/Lib/site-packages/pytesser /tesseract’”(原值為 “‘tesseract’”)。
4、pytesser 模組依賴於 PIL 模組,如果是按照上面的方法安裝 PIL 的話,需要把 “init.py” 檔案裡的 “import Image” 改成 “from PIL import Image” 。
(注意以上的路徑要改成自己的路徑,不要原搬照抄,應該不會這麼笨吧)
如果報錯:WindowsError: [Error 2]
可能的原因:python找不到 “tesseract.exe”,執行步驟3給python指定一個絕對路徑就可以了。
如果報錯:ImportError: No module named Image
可能的原因:在 pytesser 中的 “__init__.py” ,匯入 Image 的方式不對,見步驟4。
總結:
其實這只是處理最簡單的驗證碼而已,程式碼也很簡單,主要做兩個工作而已。第一個是將彩色圖片轉成灰度圖片併除噪,第二個是使用 pytesser.image_to_string() 將圖片中的字元提取出來。
處理的圖片也是非常有限的圖片上的數字或字母必須沒有變形(即使是沒有變形的情況下還會出現數字跟字母混淆的情況),驗證碼的背景不能太複雜,允許字型加上一些顏色。
這麼簡單的驗證碼估計很少見,不常用。所以這麼簡單的處理方法,我們看一看也就可以了,如果實際使用的話技術還有待深入。