本帖最后由 打字的小強 于 2020-6-11 14:05 編輯

最近爬蟲遇到了字符圖片混淆的反爬。如圖所示，文字和圖片混在一起，需要對圖片進行識別，圖片很小，這時候我就想到了pytesseract，一直知道但是從未去實際操作，今天講講基本步驟

QQ截圖20200610131008.png (15.12 KB, 下載次數: 0)

2020-6-11 11:34 上傳

QQ截圖20200611140412.png (33.22 KB, 下載次數: 0)

2020-6-11 14:04 上傳

一.搭建環境

tesseract是很多語言都可以調用的，簡而言之是一個ocr本地識別引擎，所以要裝本地環境，并不是pip install 就可以的。并不是python的專利，可以用這個訓練自己的庫，搭建環境還需要下載簡體中文包

下載tesseract-ocr-setup-4.0.0-alpha.20180109.exe進行安裝，可以選擇安裝位置，記住安裝位置，我的位置是D:\minitool\Tesseract-OCR

QQ截圖20200610132338.png (35.64 KB, 下載次數: 0)

2020-6-11 11:38 上傳

下載簡體中文識別庫chi_sim.traineddata，放到安裝位置的tesseract安裝目錄下tessdata的文件下

QQ截圖20200610132527.png (36.32 KB, 下載次數: 0)

2020-6-11 11:40 上傳

接下來做環境變量的配置，打開我的電腦，右鍵點擊屬性，計算機名，域工作組設置點擊更改設置，點擊高級，點擊環境變量。在用戶變量里面把tesseract安裝目錄添加進入path里面，在系統變量添加一個變量名為TESSDATA_PREFIX，變量值為字庫存放目錄的環境變量

QQ截圖20200611115112.png (79.94 KB, 下載次數: 0)

2020-6-11 11:51 上傳

QQ截圖20200611115242.png (17.87 KB, 下載次數: 0)

2020-6-11 11:53 上傳

接下來驗證是否安裝成功了里面輸入 tesseract -v，如下圖就是安裝成功了

QQ截圖20200610132700.png (22.15 KB, 下載次數: 0)

2020-6-11 11:54 上傳

二.測試

找到所有的圖片使用正則，我要把所有的標簽和對應的字符做成一個python字典，后面就好替換

我這里只提供一個測試的例子

[Python] 純文本查看 復制代碼def ocrs(names):

im = cv2.imread(names)

config = ("-l chi_sim --oem 0 --psm 10") #這些參數要做出說明的

datas = pytesseract.image_to_string(im, config=config) #調用pytesseract識別，

if datas: #判斷有沒有識別結果

c_datas = easygui.ccbox(msg='識別結果是' + datas, title=' ', choices=('True', 'false'),

image=names) #easygui一個詢問框，人工確認是否識別正確

if not c_datas:

#如果識別不正確，enterbox人工輸入，收集最終結果

datas = easygui.enterbox(msg="請輸入正確的字：", title=' ', default=' ', strip=True,

image=names, root=None)

else:

# 如果pytesseract識別結果為空，enterbox人工輸入，收集最終結果

datas = easygui.enterbox(msg="請輸入正確的字：", title=' ', default=' ', strip=True,

image=names, root=None)

#返回最終結果。最壞的結果就是人工也沒有輸入

return datas

def img_to_string():

paths = "**********" #填寫一個文本的路徑，讀取本文的信息,這里面有很多的標簽

datas = open(paths, encoding='utf-8')

pattern = re.compile("") #找到所有img的正則

str2 = pattern.findall(datas) #找到所有的img標簽

for i in str2:

#現在有很多的img的標簽被匹配出來了

pattern = re.compile("/.*?\\.png") #正則找到其中的鏈接，圖片文件格式都是png格式

str3 = pattern.findall(i) #正則找到其中的鏈接

urls = "*********"+str3[0] #*號是這個目標站點的域名，拼裝起來，下面requests保存圖片

if urls not in font_list : #為了防止同一個圖片下載很多遍，過濾一下

font_list.append(urls) #沒有就保存在數組里面，給上面判斷

names = str3[0][17:-4] #提取圖片的名稱，保存文件的地方用

datass = requests.get(urls,verify=False) #下載圖片

print(urls)

with open('./verify/' + str(names) + '.png', 'wb') as file:

file.write(datass.content) #保存圖片的二進制的數據

result = ocrs('./verify/' + str(names) + '.png') #把文件腳本專門的識別函數識別，返回實際的識別的文字

if result:

print(result)

font_dict[i]=result #有結果就加入字典保存

else:

#人工也沒有輸入的結果

print("null")

font_dict[i] = "null"

效果圖字庫標記少，幾十個文件公用20多個字，可以這樣弄，先一一把對應關系找出來，在進行替換，下面的替換我就不講了，寫的比較垃圾，哈哈，不獻丑了。下圖就是效果，所有識別過都會記錄到字典：

trains.gif (458.81 KB, 下載次數: 0)

2020-6-11 12:57 上傳

補充：

pytesseract調用的時候參數說明，這些參數我調了很久都沒有準確的，完美的，后面只好做彈窗確認，我們的圖片很小，只有一個字符。

--psm 10 這就是把整個圖當一個字符來識別

--oem 0 舊的引擎，一共有四種，都試了，這種比較準

把參數列給大家看下

[Asm] 純文本查看 復制代碼OCR選項：

--tessdata dir PATH指定tessdata PATH的位置。

--用戶字路徑指定用戶字文件的位置。

--用戶模式路徑指定用戶模式文件的位置。

--dpi值指定輸入圖像的dpi。

-l LANG[+LANG]指定用于OCR的語言。

-c VAR=配置變量的值設置值。

允許多個-c參數。

--psm NUM指定頁面分段模式。

--oem NUM指定OCR引擎模式。

注意：這些選項必須在任何配置文件之前出現。

頁面分割模式：

僅限0方向和腳本檢測(OSD)。

1個帶有OSD的自動頁面分割。

2自動頁面分割，但沒有OSD或OCR。(未實施)

3全自動頁面分割，但沒有OSD。(默認)

4假設一列大小可變的文本。

5假設一個垂直對齊的文本塊。

6假設一個統一的文本塊。

7將圖像視為單個文本行。

8將圖像視為一個單詞。

9將圖像視為一個圓圈中的單個單詞。

10將圖像視為單個字符。

11稀疏文本。找盡可能多的文本沒有特別的順序。

12帶OSD的稀疏文本。

13原始生產線。將圖像視為單個文本行，

繞過特定于Tesseract的攻擊。

OCR引擎模式：

僅限0舊版引擎。

僅限1臺神經網絡LSTM發動機。

2個傳統+LSTM引擎。

3默認，基于可用的內容。

相關附件

鏈接：https://pan.baidu.com/s/13Ry_cDnbteIUHMr_33oi4w

提取碼：fxfl

三.總結

Tesseract還是很方便的，還可以做一些其他的簡單的驗證碼識別，網上也有很多的例子。一開始弄了半天，因為參數的問題，一直沒有返回值，本來是想接入騰訊或者百度的第三方接口來識別的，結果發現并沒有多少字。最后來在使用過程中加了一個群，里面還是有很多的其他用法，還可以用Tesseract訓練出自己的字庫，又漲見識了。

總結

以上是生活随笔為你收集整理的php 图片路径混淆,爬虫遇到了字符图片混淆。pytesseract识别图片字符的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。