Python验证码识别：利用pytesseract识别简单图形验证码

摘要

验证码是网站常用的安全机制，但自动化测试或爬虫场景中需突破验证码限制。本文聚焦pytesseract（基于Tesseract OCR的Python封装）识别简单图形验证码的完整流程，从环境搭建、图像预处理到代码实现，结合案例详细解析，并提供优化建议，适合Python开发者快速上手。

一、pytesseract简介：OCR技术在验证码识别中的应用

1.1 pytesseract的核心原理

pytesseract是Tesseract OCR引擎的Python封装，通过光学字符识别（OCR）技术将图像中的文字转换为可编辑文本。其核心流程为：图像预处理→字符分割→特征提取→模型匹配→输出结果。对于简单图形验证码（如纯数字、无干扰线），pytesseract可直接识别，但需注意其依赖Tesseract的模型精度。

1.2 适用场景与局限性

适用场景：纯数字/字母、背景简单、无扭曲变形的验证码（如4位数字验证码）。
局限性：对复杂验证码（如扭曲字符、干扰线、重叠字符）识别率低，需结合图像处理技术优化。

二、环境配置：Python与pytesseract的安装

2.1 安装依赖库

pip install pillow pytesseract opencv-python numpy

• Pillow：图像处理库，用于读取/保存图片。
• pytesseract：Tesseract的Python接口。
• OpenCV：高级图像处理（如二值化、去噪）。
• NumPy：数值计算支持。

2.2 安装Tesseract OCR引擎

• Windows：下载安装包（GitHub官方），勾选附加语言包（如中文需chi_sim.traineddata）。
• Mac：brew install tesseract。
• Linux：sudo apt install tesseract-ocr（Ubuntu）。

2.3 配置pytesseract路径

若Tesseract未添加至系统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

三、图像预处理：提升识别率的关键步骤

3.1 灰度化与二值化

from PIL import Image
import cv2
# 读取图片并转为灰度
img = Image.open('captcha.png').convert('L')
# 二值化（阈值128）
threshold = 128
img_binary = img.point(lambda x: 0 if x < threshold else 255)
img_binary.save('captcha_binary.png')

作用：减少颜色干扰，突出字符轮廓。

3.2 去噪与边缘检测

# 使用OpenCV去噪
img_cv = cv2.imread('captcha.png', 0)
denoised = cv2.fastNlMeansDenoising(img_cv, h=10)
# 边缘检测（Canny算法）
edges = cv2.Canny(denoised, 50, 150)
cv2.imwrite('captcha_edges.png', edges)

适用场景：验证码存在噪点或模糊时。

3.3 字符分割（可选）

对于粘连字符，需先分割再识别：

# 示例：基于投影法的简单分割（需结合实际调整）
def split_characters(img_path):
    img = cv2.imread(img_path, 0)
    _, thresh = cv2.threshold(img, 128, 255, cv2.THRESH_BINARY_INV)
    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    chars = []
    for cnt in contours:
        x, y, w, h = cv2.boundingRect(cnt)
        char = img[y:y+h, x:x+w]
        chars.append(char)
    return chars

四、代码实现：从图像到文本

4.1 基础识别代码

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 --oem 3 -c tessedit_char_whitelist=0123456789')
    return text.strip()
# 示例
captcha_text = recognize_captcha('captcha_binary.png')
print("识别结果:", captcha_text)

参数说明：

• --psm 7：假设图像为单行文本。
• --oem 3：使用默认OCR引擎模式。
• tessedit_char_whitelist：限制识别字符集（如仅数字）。

4.2 结合OpenCV的完整流程

import cv2
import pytesseract
from PIL import Image
def preprocess_image(img_path):
    # 读取并转为灰度
    img = cv2.imread(img_path, 0)
    # 去噪
    denoised = cv2.fastNlMeansDenoising(img, h=10)
    # 二值化
    _, thresh = cv2.threshold(denoised, 128, 255, cv2.THRESH_BINARY_INV)
    return thresh
def recognize_with_preprocessing(img_path):
    processed_img = preprocess_image(img_path)
    # 转换为PIL图像
    pil_img = Image.fromarray(processed_img)
    text = pytesseract.image_to_string(pil_img, config='--psm 7 -c tessedit_char_whitelist=0123456789')
    return text.strip()
# 示例
result = recognize_with_preprocessing('captcha.png')
print("优化后识别结果:", result)

五、优化技巧与案例分析

5.1 提升识别率的策略

1. 调整阈值：根据验证码对比度动态选择二值化阈值。
2. 多模型测试：尝试Tesseract的不同语言模型（如eng、chi_sim）。
3. 结果校验：结合正则表达式过滤非法字符（如验证码为4位数字时，过滤非数字结果）。

5.2 案例：识别某网站4位数字验证码

原始验证码：背景为浅灰色，数字为深蓝色，无干扰线。
处理步骤：

1. 转为灰度图。
2. 二值化（阈值150）。
3. 使用--psm 7和数字白名单。
   识别结果：准确率达95%以上（100次测试中5次错误，因数字粘连）。

六、常见问题与解决方案

6.1 识别结果为空或乱码

• 原因：图像预处理不足或语言模型不匹配。
• 解决：
  • 检查图像是否清晰（可手动放大查看）。
  • 尝试调整--psm参数（如--psm 6假设为统一文本块）。

6.2 安装Tesseract后仍报错

• 原因：未正确配置pytesseract.pytesseract.tesseract_cmd。
• 解决：在代码中显式指定Tesseract安装路径。

七、总结与扩展建议

7.1 核心步骤回顾

1. 安装依赖库与Tesseract引擎。
2. 对验证码图像进行灰度化、二值化等预处理。
3. 使用pytesseract.image_to_string识别，配置适当参数。
4. 校验结果并优化预处理流程。

7.2 扩展方向

• 深度学习方案：对复杂验证码，可训练CNN模型（如使用Keras或PyTorch）。
• 结合Selenium：自动化填写验证码到网页表单。
• 分布式处理：批量识别时使用多线程/进程加速。

通过本文，开发者可快速掌握pytesseract识别简单图形验证码的技术，并根据实际需求调整预处理与识别参数，提升自动化流程的效率。