?爬蟲：驗證碼識別準確率（Tesseract-OCR）

現在的網站為了防止人們輕易的獲取登陸后的頁面信息，在登陸上設置了很多的障礙，驗證碼就是其中的一種，所謂道高一尺，魔高一丈，人們總能想出辦法來予以應對，但是，應對的成本可能在不斷加大，這在一定程度上提升了反反爬蟲的門檻。本文的目的在于驗證Tesseract對普通驗證碼圖片的識別準確率，以便為后續的工作做準備。

Tesseract是一個開源的 OCR 引擎，可以識別多種格式的圖像文件并將其轉換成文本，由HP公司開發，后來由Google進行維護。下載地址：https://digi.bib.uni-mannheim.de/tesseract/

有關的安裝教程和使用方法，大家可以直接去百度，很多博主對此介紹的非常詳細，這篇博文的主要目的是利用該OCR來分析它對驗證碼識別的準確率。所以，對于安裝及有關環境的配置就不再多講了。

• ? ?思路：
• （1）獲取批量驗證碼圖片（利用某高校登錄頁面的驗證碼圖片） ；
• （2）為驗證碼圖片做信息標注（雖然很不想手動標記，但這是必須的，因為我們要確保百分百正確）；
• （3）利用Tesseract-OCR對驗證碼圖片進行識別并測試識別效果；
• （4）后續工作思路，如何提高識別的精度。

?一、爬取某高校頁面的驗證碼圖片100張

?

打開該網址，就可以看到該驗證碼圖片，并且沒刷新一次就會產生新的圖片；

使用代理不斷訪問該網址獲取驗證碼圖片，并保存為png格式文件；

from urllib import request import time import random def get_and_save_verify(i):try:url = 'http://jwxt.qlu.edu.cn/verifycode.servlet'request.urlretrieve(url, './verify_pictures/' + 'verify_' + str(i) + '.png')print('第' + str(i) + '張圖片下載成功')except Exception:print('第' + str(i) + '張圖片下載失敗')def get_proxy():# 使用代理步驟# - 1、設置代理地址proxys = [{'http': '39.137.69.10:8080'},{'http': '111.206.6.101:80'},{'http': '120.210.219.101:8080'},{'http': '111.206.6.101:80'},{'https': '120.237.156.43:8088'}]# - 2、創建ProxyHandlerproxy = random.choice(proxys)proxy_handler = request.ProxyHandler(proxy)# - 3、創建Openeropener = request.build_opener(proxy_handler)# - 4、導入Openerrequest.install_opener(opener)if __name__ == '__main__':for i in range(1, 101):get_proxy()time.sleep(random.randint(1, 4))get_and_save_verify(i)

?保存之后的圖片；

二、對驗證碼圖片手動信息標注，將圖片上的驗證信息放入圖片的名稱內，便于后續測試

這個過程比較無聊，標注完成之后的圖片是這樣的（無論數據分析還是圖像處理，信息標注很多時候對于程序員來說都是一個體力活，眼力活）；

?三、利用Tesseract-OCR進行圖像信息識別，并將圖像的識別結果與藏在圖片文件名中的標簽進行比對，測試識別的準確率

這里涉及到圖像識別和數據處理，利用pytesseract庫來利用tesseract接口來進行識別，并比較結果，輸出準確率；

import pytesseract import cv2 import os import numpy as np path = 'F:/文件存放處/picture2/'file_name = [] for k in os.walk(path):file_name = k[-1]print('識別值' + '-----' + '真實值') num = 0 for i in file_name:img = cv2.imdecode(np.fromfile(path + i, dtype=np.uint8), 1)a = pytesseract.image_to_string(img)true_value = i[-8:-4]print(a + '-----' + true_value)if a == true_value:num += 1print('識別的準確率為：' + str(num/100))

?查看結果；

四、分析結果

改進結果不涉及對識別方法的改進，只涉及對數據和識別結果的改進。?

通過測試結果可以看出，識別的準確率并不是很好，通過下面的兩種改進策略來提高識別的準確率，或者兩者聯合使用；

改進策略一：（對識別結果的改進）

（1）觀察數據就可以看出，驗證中的信息是由字母和數字組成，不存在特殊字符，由于圖片中含有部分噪音，導致識別出現較大誤差，如果去除識別結果中的特殊字符，只保留數字和字母，識別的效果會在一定程度上改進。?

（2）真實數據都是只占四個位置，所以，可以在第一條的基礎上，對字符的數量進行限制，設置為小于等于4

（3）真實數據中不存在大寫字母，將識別結果一律轉換為小寫

改進策略二：（對數據來源的降噪處理）

（1）通過觀察可以看到圖片上有很多噪音，利用OpenCV對圖片進行降噪處理

后續處理：下一篇博文：https://blog.csdn.net/qq_40962368/article/details/89331608

總結

以上是生活随笔為你收集整理的爬虫：验证码识别准确率（Tesseract-OCR）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。