最近在爬某网站,老是蹦出来验证码,就想着找个OCR破了这个验证码,然后就开始了OCR探索之旅。

首先简单说一下什么是OCR

OCR是(Optical Character Recognition,光学字符识别)的简称,主要用途:

  1. 办公用途,用来识别图片里面的文字,可以高效率的录入图片类型文件。
  2. 识别网站验证码
  3. 详见维基百科或者百度百科

OCR识别的验证码原理

  1. 采集一批验证码,根据图片特点进行初步处理(二值化/灰度化/滤波/降噪等处理)
  2. 然后分割图片,旋转图片,模板选取,训练算法,让它更准确。
  3. 有兴趣的可以看一个Python实现的OCR识别验证码详细demo,实际操作过程挺有意思的,大家有兴趣了可以试试

OCR识别验证码的具体操作

  1. 首先我测试了一个百度开源的Node.js实现的OCR包
    gitHub地址 https://github.com/netpi/baidu-ocr-api
    安装也很简单直接按照官方的文档安装即可
    发现百度的这个OCR包识别效果不太理想
    node_ocr.png

  2. 然后经过一番Google和小伙伴们的推荐 选择一个Google开源的tesseract这个是C++写的,直接融合到爬虫里不太方便,有外国朋友基于tesseract封装了一个Python的包pytesseract,直接开箱即用,融入爬虫程序中。

  3. 百闻不如一run
    ps(这里使用的操作系统是Ubuntu16.04;Python版本是2.7)
    直接 pip install pytesseract 然后Python图片处理要用到PIL(Python Imaging Library) pip install PIL
    原图片
    ocr.gif

    写个简单的测试demo
    code.png

    看下识别结果
    error.png

    报错了, 根据报错信息来看,是确实了什么文件,或者依赖lib
    我跟踪了pytesseract的代码,发现是少了C++提供的OCR服务,因为pytesseract是调用的tesseract(C++写的)
    然后安装tesseract sudo apt install tesseract
    再run一下代码
    pyocr_res.png

整体结果还可以(倒数第四位识别错了),再训练一下准确率就更高了。
预知后事如何,且听下回分解