目录
🎬 攻城狮7号：个人主页
🔥 个人专栏: 《python爬虫教程》
⛺️ 君子慎独!
🌈 大家好，欢迎来访我的博客！
⛳️ 此篇文章主要介绍 图形验证码 的识别
📚 本期文章收录在《python爬虫教程》，大家有兴趣可以自行查看！
⛺️ 欢迎各位 ✔️ 点赞 👍 收藏 ⭐留言 📝！
前言
在互联网安全防护中，验证码是一道常见的"门槛"，它们被广泛用于防止恶意爬虫和自动化攻击。随着技术进步，验证码的形式也日益多样化，从最初的简单数字字母组合，到如今的滑动拼图、点选图片、复杂干扰线等多种类型。对于数据采集和自动化测试来说，如何高效识别验证码成为了一个重要课题。
本节将聚焦于最基础、最常见的"图形验证码"，即由数字或字母组成的图片验证码。我们将介绍其识别原理、常用工具、图像预处理技巧，并通过代码实例带你一步步实现自动识别。
一、学习目标
- 理解图形验证码的基本原理和常见类型
- 掌握 OCR（光学字符识别）工具 Tesseract 的基本用法
- 学会通过opencv等图像预处理手段提升验证码识别准确率
- 了解常见问题及解决方案
二、环境准备
识别验证码通常需要用到 OCR 技术。这里我们推荐使用 `pytesseract`，它是 Tesseract OCR 引擎的 Python 封装，配合 `Pillow` 进行图片处理。
2.1 安装依赖
在Python环境下，若想运用Tesseract实现光学字符识别功能，具体的安装方法涵盖了安装Tesseract OCR软件、引入Python库pytesseract以及配置环境变量等方面。
首先，Tesseract OCR软件是整个流程的基础，作为一款由Google维护的强大开源光学字符识别引擎，需要从其官方渠道获取与操作系统适配的版本并完成安装。具体而言：
（1）下载并安装Tesseract：
- 对于Windows用户，访问Tesseract OCR的GitHub页面（ https://github.com/tesseract-ocr/tesseract ）或windows安装包地址（ https://github.com/UB-Mannheim/tesseract/wiki ），下载对应的可执行安装文件，按照安装提示逐步操作。
- macOS系统用户，借助Homebrew工具，在命令行中输入“brew install tesseract”即可完成安装。
- Linux用户则依据自身的发行版本，使用相应的包管理器，如通过“sudo apt-get install tesseract-ocr”命令来安装Tesseract OCR软件。
（2）确认安装：安装结束后，在命令行输入“tesseract -v”，若能显示版本相关信息，就表明Tesseract OCR软件安装成功。
其次，pytesseract作为Python的一个库，提供了与Tesseract OCR引擎交互的便捷接口，能让Python调用Tesseract的功能更为顺畅。其安装与验证步骤如下：
（1）安装pytesseract：打开命令行，执行“pip install pytesseract”命令，即可完成该库的安装。
（2）验证安装：在Python环境里，尝试执行“import pytesseract”语句，若未弹出错误提示，则意味着pytesseract库安装无误。
最后，为确保pytesseract能够准确找到Tesseract可执行文件，环境变量的设置至关重要：
（1）Windows：先确定Tesseract的安装路径，如“C:\Program Files\Tesseract-OCR”，接着右键点击“此电脑”，选择“属性”，进入“高级系统设置”，点击“环境变量”，在“系统变量”中找到“Path”变量进行编辑，将Tesseract的安装路径添加到其中。
（2）macOS和Linux：一般情况下，包管理器会自动配置路径，无需手动设置。但特殊情况下，可通过修改“~/.bash_profile”或“~/.bashrc”文件来手动添加Tesseract的路径。
2.2 验证安装
安装完成后，可通过以下代码验证环境是否正常：
import pytesseract
print(pytesseract.get_tesseract_version())输出：
5.5.0.20241111
如果输出版本号，说明安装成功。
三、获取验证码图片
在实际项目中，验证码图片通常可以通过接口或页面下载。为了便于演示，我们假设已经将验证码图片保存为 `code.jpg`。
3.1 常见获取方式
- 接口下载：通过 API 获取验证码图片
- 页面抓取：使用 Selenium 或 Requests 从网页中提取验证码图片
- 手动保存：在测试阶段，可手动保存验证码图片
3.2 图片格式要求
- 支持常见格式：JPG、PNG、BMP 等
- 建议使用 PNG 格式，避免压缩损失
四、基础识别流程
4.1 基础流程
直接用 pytesseract 识别图片验证码非常简单：
import pytesseract
from PIL import Image
image = Image.open('code.jpg')
result = pytesseract.image_to_string(image)
print(result.strip())旧版python的 `tesserocr` 库可以支持直接读取图片文件，如：
import tesserocr
print(tesserocr.file_to_text('code.jpg'))但是我们使用的是 pytesseract 库。运行后即可输出识别结果：
JIR42.
准确率不高，或许tesserocr的正确率会高一点，我们继续往下探讨。
4.2 常见问题及解决方案
识别结果为空：检查图片是否清晰，尝试调整图片大小或对比度
识别错误：可能是图片干扰过多，需进行图像预处理
五、 图像预处理提升识别率
实际验证码往往会加入干扰线、噪点、颜色变化等，直接识别效果有限。此时可以通过图像预处理（如灰度化、二值化）来提升准确率。
5.1 灰度化
将彩色图片转为灰度，有助于去除颜色干扰：
image = image.convert('L') # 转为灰度图
image.show()5.2 二值化
将灰度图进一步转为黑白图像，突出字符主体：
image = image.convert('1') # 默认阈值127
image.show()5.3 自定义阈值二值化
有时需要手动调整阈值以获得更好效果：
image = image.convert('L')
threshold = 80 # 可根据实际图片调整
binary_table = [0 if i < threshold else 1 for i in range(256)]
image = image.point(binary_table, '1')
image.show()5.4 其他预处理技巧
降噪：使用中值滤波或高斯滤波去除噪点
锐化：增强字符边缘，提高识别率
旋转校正：处理倾斜的验证码
六、综合识别流程示例
6.1 识别流程示例
完整识别流程如下：
import pytesseract
from PIL import Image
image = Image.open('code.jpg')
image = image.convert('L')
threshold = 127
binary_table = [0 if i < threshold else 1 for i in range(256)]
image = image.point(binary_table, '1')
result = pytesseract.image_to_string(image)
print(result)输出：
JSR42
经过预处理后，正确率还是差一点。
6.2 进一步优化代码示例
优化方案：
（1）使用 OpenCV 进行灰度、二值化和去噪预处理
（2）用 pytesseract 限定只识别字母和数字，并设置 --psm 8 提高验证码识别率
import cv2
import pytesseract
def preprocess_opencv(image_path, threshold=130):
img = cv2.imread(image_path)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, thresh = cv2.threshold(gray, threshold, 255, cv2.THRESH_BINARY)
denoised = cv2.medianBlur(thresh, 3)
return denoised
# 使用示例
img = preprocess_opencv('code.jpg', threshold=130)
result = pytesseract.image_to_string(
img,
config='--psm 8 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789'
)
print(result.strip())得到正确值：
JR42
继续以一张带有干扰线的验证码 `code2.jpg` 验证：
将代码中的 code.jpg 改成 code2.jpg，运行代码输出：
PFRT
到此准确率达到预期。
七、小结与建议
- 图形验证码识别的核心在于图像预处理，灰度化和二值化是最常用的手段。
- 阈值的选择对识别效果影响很大，可多尝试不同值。
- 对于更复杂的验证码（如扭曲、旋转、强干扰），可考虑进一步图像处理使用 opencv 或训练专用模型。
- tesserocr 或 pytesseract 适合简单验证码，遇到复杂场景可结合深度学习方法。
通过本节内容，你已经掌握了用 Python 自动识别基础图形验证码的完整流程。后续可以尝试识别更复杂的验证码类型，或将识别流程集成到自动化测试、爬虫等项目中。
八、常见问题解答
8.1 如何提高识别率？
- 确保图片清晰，避免模糊或压缩
- 调整阈值，找到最佳二值化效果
- 尝试多种预处理方法，如降噪、锐化等
8.2 遇到复杂验证码怎么办？
- 使用深度学习模型，如 CNN 或 RNN
- 结合传统图像处理与机器学习方法
- 考虑使用商业 OCR 服务
8.3 如何集成到爬虫项目？
- 将识别流程封装为函数，方便调用
- 结合 Selenium 或 Requests 自动获取验证码
- 处理识别失败的情况，如重试或人工干预
九、结语
图形验证码识别是自动化测试和爬虫开发中的基础技能。通过本节内容，你已经掌握了从环境搭建到图像预处理、再到完整识别流程的全面知识。希望这些内容能帮助你更好地应对实际项目中的图形验证码挑战。
看到这里了还不给博主点一个：
⛳️ 点赞☀️收藏 ⭐️ 关注！
💛 💙 💜 ❤️ 💚💓 💗 💕 💞 💘 💖
再次感谢大家的支持！
你们的点赞就是博主更新最大的动力！