爬虫还担心验证码问题吗？这你给你解决方案！-Windows系列-PHP中文网

爬虫还担心验证码问题吗？这你给你解决方案！

看不見的法師

发布： 2025-09-02 08:12:38

原创

709人浏览过

概述简介坑！安装 Tesseract-OCR使用 pytesseract 识别验证码高级玩法 - 除线简介

首先呢，简单的验证码是这样的：

不是这样的：

这里使用了 pytesseract 来进行验证码识别，它是基于 Google 的 Tesseract-OCR ，所以在使用之前需要先安装 Tesseract-OCR。使用 PIL 来进行图像处理。pytesseract 默认支持 tiff、bmp 图片格式，使用 PIL 库之后，能够支持 jpeg、gif、png 等其他图片格式；

坑！

PIL(Python Imaging Library) 库只支持 32 位的系统，如果要在 64 位系统中使用，请安装 pillow。嗯，这个真是坑死我了，为了安装这个倒腾了很久。希望能帮到你。

32 位系统

代码语言：javascript代码运行次数：0运行复制

<pre class="brush:php;toolbar:false;">pip install PIL

登录后复制

64 位系统

代码语言：javascript代码运行次数：0运行复制

<pre class="brush:php;toolbar:false;">pip install pillow

登录后复制

安装 Tesseract-OCR

在使用 pytesseract 之前，必须安装 tesseract-ocr ，因为 pytesserat 依赖于 tesseract-ocr ，否则无法使用

Mac代码语言：javascript代码运行次数：0运行复制

<pre class="brush:php;toolbar:false;">brew install tesseract

登录后复制

centos7代码语言：javascript代码运行次数：0运行复制

<pre class="brush:php;toolbar:false;">yum-config-manager --add-repo https://download.opensuse.org/repositories/home:/Alexander_Pozdnyakov/CentOS_7/yum updateyum install tesseract yum install tesseract-langpack-deu

登录后复制

windows

download-address（https://github.com/tesseract-ocr/tesseract/wiki/4.0-with-LSTM#400-alpha-for-windows）

使用 pytesseract 识别验证码

首先将图像灰度化

代码语言：javascript代码运行次数：0运行复制

<pre class="brush:php;toolbar:false;">    #使用路径导入图片    im = Image.open(imgimgName)    #使用 byte 流导入图片    # im = Image.open(io.BytesIO(b))    # 转化到灰度图    imgry = im.convert('L')    # 保存图像    imgry.save('gray-' + imgName)

登录后复制

灰度化的图像是这个样子的：

然后将图像二值化

落笔AI

AI写作，AI写网文、AI写长篇小说、短篇小说

查看详情

代码语言：javascript代码运行次数：0运行复制

<pre class="brush:php;toolbar:false;">    # 二值化，采用阈值分割法，threshold为分割点    threshold = 140    table = []    for j in range(256):        if j < threshold:            table.append(0)        else:            table.append(1)    out = imgry.point(table, '1')    out.save('b' + imgName)

登录后复制

二值化的图像是这个样子的：

最后进行识别

代码语言：javascript代码运行次数：0运行复制

<pre class="brush:php;toolbar:false;"> #  识别    text = pytesseract.image_to_string(out)    print("识别结果："+text)

登录后复制

识别结果是这样的：

高级玩法 - 除线

上面的知识简单的处理，在日常网络冲浪中，我们还会遇到这样的验证码：

这个给我们的识别增加了难度，我们要做的就是将这条线去掉。详细代码如下：

代码语言：javascript代码运行次数：0运行复制

<pre class="brush:php;toolbar:false;">def removeLine(imgName):    (img, pixdata) = open_img(imgName)    for x in range(img.size[0]):  # x坐标        for y in range(img.size[1]):  # y坐标            if pixdata[x, y][0] < 8 or pixdata[x, y][1] < 6 or pixdata[x, y][2] < 8 or (                    pixdata[x, y][0] + pixdata[x, y][1] + pixdata[x, y][2]) <= 30:  # 确定颜色阈值                if y == 0:                    pixdata[x, y] = (255, 255, 255)                if y > 0:                    if pixdata[x, y - 1][0] > 120 or pixdata[x, y - 1][1] > 136 or pixdata[x, y - 1][2] > 120:                        pixdata[x, y] = (255, 255, 255)  # ?    # 二值化处理    for y in range(img.size[1]):  # 二值化处理，这个阈值为R=95，G=95，B=95        for x in range(img.size[0]):            if pixdata[x, y][0] < 160 and pixdata[x, y][1] < 160 and pixdata[x, y][2] < 160:                pixdata[x, y] = (0, 0, 0)            else:                pixdata[x, y] = (255, 255, 255)    img.filter(ImageFilter.EDGE_ENHANCE_MORE)  # 深度边缘增强滤波，会使得图像中边缘部分更加明显（阈值更大），相当于锐化滤波    img.resize(((img.size[0]) * 2, (img.size[1]) * 2), Image.BILINEAR)  # Image.BILINEAR指定采用双线性法对像素点插值#?    img.save('remove-' + imgName)    print("除线成功！")    recognize('remove-' + imgName)

登录后复制

那么我们的运行结果是这样的：