【愚公系列】《Python网络爬虫从入门到精通》046-验证码识别（字符验证码）

震撼头图

💎 行业认证·权威头衔

• ✔ 华为云天团核心成员 ：特约编辑/云享专家/开发者专家/产品云测专家
• ✔ 开发者社区全满贯 ：CSDN双料专家/阿里云签约作者/腾讯云内容共创官
• ✔ 技术生态共建先锋 ：横跨鸿蒙/云计算/AI等前沿领域的技术布道者

🏆 荣誉殿堂

• 🎖 连续三年蝉联 "华为云十佳博主" （2022-2024）
• 🎖 双冠加冕 CSDN"年度博客之星TOP2" （2022&2023）
• 🎖 十余个技术社区 年度杰出贡献奖 得主

📚 知识宝库

◾ 编程语言：.NET/Java/Python/Go/Node...

◾ 移动生态：HarmonyOS/iOS/Android/小程序

◾ 前沿领域：物联网/网络安全/大数据/AI/元宇宙

◾ 游戏开发：Unity3D引擎深度解析

🚀前言

在之前的内容中，我们已经学习了如何使用Python进行各类网络爬虫的编写与优化。然而，在实际的爬虫项目中，我们经常会遇到验证码的挑战，它是阻止自动化程序访问的重要手段之一。

本篇文章，我们将深入探讨验证码识别中的一种常见类型——字符验证码。验证码识别是爬虫自动化中的一项重要技能，掌握它将大大提升我们的爬虫项目的效率和成功率。

在这篇文章中，我们将会介绍：

1. 验证码的基本原理：了解验证码的作用和常见类型。
2. 字符验证码识别的基本方法：从简单的图像处理到使用OCR（光学字符识别）技术。
3. 实战：使用Python和相关库进行字符验证码识别：包括Pillow、Tesseract-OCR等工具的使用。

通过这篇文章的学习，你将能够掌握字符验证码识别的基本方法，并将其应用到你的爬虫项目中，使你的爬虫能够更加智能和高效。让我们一同开启验证码识别的探索之旅吧！

🚀一、字符验证码识别

🔎1.字符验证码特点

• 包含数字、字母、斑点或混淆曲线的图片验证码。
• 识别流程：
  1. 定位网页中验证码的HTML位置
  2. 下载验证码图片
  3. 使用Tesseract-OCR进行识别

🔎2.搭建OCR环境

步骤1：安装Tesseract-OCR

1. 下载地址：https://github.com/UB-Mannheim/tesseract/wiki
   
2. 选择对应系统版本（如Windows 64位），安装时勾选 Additional language data 以支持多语言识别。
   

步骤2：安装Python依赖

# 安装tesserocr模块
pip install tesserocr

# 若使用Anaconda且安装失败，改用以下命令
conda install -c simonflueckiger tesserocr

🔎3.下载验证码图片

示例：下载测试网页验证码

• 测试地址：http://localhost:8080/demo5/
• 实现代码： ```python import requests # 导入网络请求模块 import urllib.request # 导入urllib.request模块 from fake_useragent import UserAgent # 导入随机请求头 from bs4 import BeautifulSoup # 导入解析html header = {'User-Agent':UserAgent().random} # 创建随机请求头 url = 'http://localhost:8080/demo5/' # 网页请求地址 # 发送网络请求 response = requests.get(url,header) response.encoding='utf-8' # 设置编码方式 html = BeautifulSoup(response.text,"html.parser") # 解析html src = html.find('img').get('src') img_url = url+src # 组合验证码图片请求地址 urllib.request.urlretrieve(img_url,'code.png') # 下载并设置图片名称 ```

🔎4.识别验证码

基础识别（无干扰线）

import tesserocr        # 导入tesserocr模块
from PIL import Image   # 导入图像处理模块
img =Image.open('code.png')   # 打开验证码图片
code = tesserocr.image_to_text(img)        # 将图片中的验证码转换为文本
print('验证码为：',code)

处理干扰线的验证码

1. 灰度处理import tesserocr # 导入tesserocr模块 from PIL import Image # 导入图像处理模块 img =Image.open('code2.jpg') # 打开验证码图片 img = img.convert('L') # 将彩色图片转换为灰度图片 # img.show() # 显示灰度图片 code = tesserocr.image_to_text(img) # 将图片中的验证码转换为文本 print('验证码为：',code)
   
2. 二值化处理 ```python import tesserocr # 导入tesserocr模块 from PIL import Image # 导入图像处理模块 img =Image.open('code2.jpg') # 打开验证码图片 img = img.convert('L') # 将彩色图片转换为灰度图片 t = 155 # 设置阀值 table = [] # 二值化数据的列表 for i in range(256): # 循环遍历 if i <t: table.append(0) else: table.append(1) img = img.point(table,'1') # 将图片进行二值化处理 img.show() # 显示处理后图片 code = tesserocr.image_to_text(img) # 将图片中的验证码转换为文本 print('验证码为：',code) # 打印验证码 ```
   

🔎5.注意事项

1. 识别优化：通过调节二值化阈值（如threshold=155）可提升识别精度。
2. 干扰处理：若仍有误识别，需结合降噪、分割等图像预处理技术。
3. 局限性：OCR对复杂干扰（密集噪点、扭曲变形）效果有限，需结合深度学习模型。