Python验证码识别：利用pytesser识别简单图形验证码

引言

在自动化测试、爬虫开发或数据采集场景中，验证码识别是绕不开的技术难题。传统的图形验证码通过随机字符、干扰线、噪点等手段防止机器识别，但简单验证码仍可通过OCR（光学字符识别）技术破解。本文聚焦于使用Python的pytesseract库（基于Tesseract OCR引擎）实现简单图形验证码的识别，详细解析从环境搭建到代码实现的完整流程。

一、环境准备与依赖安装

1.1 安装Python及依赖库

• Python版本：建议使用Python 3.6+，可通过Python官网下载。
• 依赖库：
  • pytesseract：Python封装Tesseract的库，通过pip install pytesseract安装。
  • Pillow：图像处理库，用于加载和预处理验证码图片，通过pip install pillow安装。
  • OpenCV（可选）：高级图像处理（如二值化、去噪），通过pip install opencv-python安装。

1.2 安装Tesseract OCR引擎

• Windows：从UB Mannheim镜像站下载安装包，安装时勾选附加语言包（如中文需chi_sim.traineddata）。
• MacOS：通过Homebrew安装：brew install tesseract。
• Linux：使用包管理器安装，例如Ubuntu：sudo apt install tesseract-ocr。

1.3 配置pytesseract路径

若Tesseract未添加到系统PATH，需在代码中指定路径：

import pytesseract
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'  # Windows示例

二、验证码图像预处理

2.1 图像二值化

将彩色图像转为灰度图，再通过阈值处理增强字符与背景的对比度：

from PIL import Image
import numpy as np
def preprocess_image(image_path):
    img = Image.open(image_path).convert('L')  # 转为灰度图
    # 使用Pillow的点操作或OpenCV的threshold
    threshold = 150
    img = img.point(lambda x: 0 if x < threshold else 255)
    return img

2.2 降噪与干扰线去除

• 中值滤波：使用OpenCV的medianBlur减少噪点：

  import cv2
  def remove_noise(image_path):
      img = cv2.imread(image_path, 0)
      img = cv2.medianBlur(img, 3)  # 3x3核
      return img

• 形态学操作：膨胀/腐蚀可修复断裂字符或去除细线。

2.3 字符分割（可选）

若验证码字符间距大，可分割后逐个识别：

def split_characters(image_path):
    img = Image.open(image_path).convert('L')
    # 示例：简单按列分割（需根据实际验证码调整）
    width, height = img.size
    char_images = []
    for x in range(0, width, 20):  # 假设字符宽度约20像素
        char = img.crop((x, 0, x+20, height))
        char_images.append(char)
    return char_images

三、使用pytesseract识别验证码

3.1 基本识别

直接调用pytesseract.image_to_string：

import pytesseract
from PIL import Image
def recognize_captcha(image_path):
    img = Image.open(image_path)
    text = pytesseract.image_to_string(img, config='--psm 7')  # psm 7表示单行文本
    return text.strip()

• 参数说明：
  • config：可指定语言包（如--lang eng）和页面分割模式（--psm）。
  • psm常用值：6（假设统一文本块）、7（单行文本）、11（稀疏文本）。

3.2 指定语言与字符集

若验证码含数字或大写字母，可限制识别范围：

text = pytesseract.image_to_string(img, config='--psm 7 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ')

3.3 处理多行或复杂布局

对于字符分散的验证码，调整psm为10（单字符模式）并合并结果：

def recognize_complex_captcha(image_path):
    img = Image.open(image_path)
    text = pytesseract.image_to_string(img, config='--psm 10')
    # 过滤空字符和换行符
    return ''.join([c for c in text if c.isalnum()])

四、优化与调试策略

4.1 调整图像质量

• 分辨率：确保图像DPI≥300，避免模糊。
• 对比度：通过直方图均衡化（OpenCV的equalizeHist）增强。

4.2 训练自定义Tesseract模型

针对特定字体训练模型：

1. 收集验证码样本并标注字符。
2. 使用jtessboxeditor生成.box文件。
3. 通过tesseract命令训练：

   tesseract eng.custom.exp0.tif eng.custom.exp0 nobatch box.train
   mftraining eng.custom.exp0.tr

4.3 结合其他技术

• 模板匹配：对固定格式验证码，用OpenCV的matchTemplate定位字符。
• 深度学习：复杂验证码可尝试CNN模型（如CRNN）。

五、完整代码示例

from PIL import Image
import pytesseract
def preprocess_and_recognize(image_path):
    # 预处理：二值化
    img = Image.open(image_path).convert('L')
    img = img.point(lambda x: 0 if x < 150 else 255)
    # 识别配置：仅数字+大写字母
    config = '--psm 7 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ'
    text = pytesseract.image_to_string(img, config=config)
    return text.strip()
if __name__ == '__main__':
    captcha_text = preprocess_and_recognize('captcha.png')
    print(f"识别结果: {captcha_text}")

六、应用场景与注意事项

6.1 适用场景

• 简单数字/字母验证码（无扭曲、重叠）。
• 自动化测试中的验证码填充。
• 学术研究或合法数据采集。

6.2 法律与伦理

• 合规性：仅用于授权场景，避免破解商业网站验证码。
• 替代方案：优先使用网站提供的API或无障碍接口。

七、总结与展望

通过pytesseract识别简单验证码，核心在于图像预处理和参数调优。未来可探索：

• 结合深度学习提升复杂验证码识别率。
• 开发自动化工具链，集成验证码生成与识别测试。

本文提供的代码和策略可直接应用于项目开发，助力开发者高效解决验证码识别难题。