Python验证码识别：利用pytesser识别简单图形验证码

一、验证码识别技术背景与pytesseract简介

验证码（CAPTCHA）是互联网服务中常见的安全机制，通过要求用户识别扭曲的字符或图形来区分人类与自动化程序。传统验证码分为文本型、图形选择型、行为轨迹型等，其中简单文本型验证码（如数字、字母组合）因技术门槛低，常被用作基础防护手段。

pytesseract是Python对Tesseract OCR引擎的封装库，Tesseract由Google维护，支持100+种语言的文本识别，尤其适合处理结构化文本。其核心优势在于开源免费、跨平台兼容，且可通过预处理优化识别准确率。对于简单图形验证码（如无干扰线、背景单一的字符），pytesseract结合图像处理技术可实现高效识别。

二、环境配置与依赖安装

1. 基础环境要求

• Python 3.6+
• 操作系统：Windows/Linux/macOS
• 推荐使用虚拟环境（如venv或conda）隔离依赖

2. 安装pytesseract与Tesseract

# 安装pytesseract
pip install pytesseract pillow opencv-python numpy
# 安装Tesseract OCR引擎
# Windows: 下载安装包（https://github.com/UB-Mannheim/tesseract/wiki）
# macOS: brew install tesseract
# Linux (Ubuntu): sudo apt install tesseract-ocr

3. 配置Tesseract路径（Windows需特别注意）

import pytesseract
# 指定Tesseract安装路径（示例）
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

三、验证码识别核心流程

1. 图像预处理：提升识别率的关键

简单验证码的干扰因素通常包括：

• 噪声：随机点、线条
• 变形：字符倾斜、扭曲
• 颜色：低对比度背景

预处理步骤：

1. 灰度化：减少颜色干扰

   import cv2
   def rgb_to_gray(image_path):
       img = cv2.imread(image_path)
       return cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

2. 二值化：增强字符与背景对比

   def threshold_image(gray_img):
       _, binary_img = cv2.threshold(gray_img, 127, 255, cv2.THRESH_BINARY)
       return binary_img

3. 降噪：去除小面积噪点

   def remove_noise(binary_img):
       kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
       cleaned = cv2.morphologyEx(binary_img, cv2.MORPH_OPEN, kernel)
       return cleaned

4. 字符分割（可选）：针对多字符验证码

   def split_characters(img):
       contours, _ = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
       chars = []
       for cnt in contours:
           x,y,w,h = cv2.boundingRect(cnt)
           chars.append(img[y:y+h, x:x+w])
       return chars

2. 使用pytesseract识别文本

from PIL import Image
import pytesseract
def recognize_text(image_path, lang='eng'):
    img = Image.open(image_path)
    text = pytesseract.image_to_string(img, lang=lang)
    return text.strip()
# 示例：识别预处理后的图像
processed_img = remove_noise(threshold_image(rgb_to_gray('captcha.png')))
cv2.imwrite('processed.png', processed_img)  # 保存预处理结果
result = recognize_text('processed.png')
print("识别结果:", result)

3. 参数调优与语言包配置

• 语言包：下载额外语言数据（如中文需chi_sim.traineddata）

  # 识别中文验证码示例
  pytesseract.image_to_string(img, lang='chi_sim+eng')

• PSM模式：调整页面分割模式（默认3=自动）

  # 强制单行文本模式（适用于简单验证码）
  custom_config = r'--oem 3 --psm 6'
  text = pytesseract.image_to_string(img, config=custom_config)

四、完整代码示例与优化策略

1. 端到端识别流程

import cv2
import pytesseract
from PIL import Image
def preprocess_captcha(image_path):
    # 1. 灰度化
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 2. 二值化
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    # 3. 降噪
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2,2))
    cleaned = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
    return cleaned
def recognize_captcha(processed_img):
    # 保存临时文件供pytesseract处理
    cv2.imwrite('temp.png', processed_img)
    img = Image.open('temp.png')
    # 配置参数：单字符模式+英文识别
    config = r'--oem 3 --psm 10'
    text = pytesseract.image_to_string(img, config=config)
    return text.strip()
# 使用示例
if __name__ == "__main__":
    input_path = 'captcha_sample.png'
    processed = preprocess_captcha(input_path)
    result = recognize_captcha(processed)
    print("验证码识别结果:", result)

2. 优化策略

• 动态阈值：使用Otsu算法自适应二值化

  _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

• 多帧融合：对动态验证码（如GIF）提取关键帧
• 深度学习辅助：结合CNN模型定位字符区域

五、实际应用场景与限制

1. 适用场景

• 简单数字/字母验证码（如4-6位无干扰字符）
• 批量自动化测试
• 学术研究中的验证码分析

2. 局限性

• 复杂验证码：扭曲字符、重叠字符、背景干扰需结合深度学习
• 反爬机制：动态验证码、行为验证（如滑块）无法处理
• 法律风险：未经授权识别验证码可能违反服务条款

六、进阶建议

1. 结合深度学习：使用CRNN等模型处理复杂验证码
2. 分布式识别：通过多线程/多进程加速批量处理
3. 模拟人类行为：添加随机延迟、鼠标轨迹模拟

七、总结

本文通过详细步骤展示了如何使用pytesseract识别简单图形验证码，核心在于图像预处理与OCR参数调优。开发者需注意：

• 优先处理图像质量（降噪、二值化）
• 根据验证码类型调整PSM模式
• 遵守目标网站的使用条款

对于更复杂的验证码场景，建议研究深度学习方案（如基于TensorFlow/PyTorch的模型训练）。完整代码与示例文件可参考GitHub开源项目（示例链接）。