前言

寫爬蟲有一個繞不過去的問題就是驗證碼，現在驗證碼分類大概有4種：

圖像類 滑動類 點擊類 語音類

今天先來看看圖像類，這類驗證碼大多是數字、字母的組合，國內也有使用漢字的。在這個基礎上增加噪點、干擾線、變形、重疊、不同字體顏色等方法來增加識別難度。

相應的，驗證碼識別大體可以分為下面幾個步驟：

灰度處理 增加對比度(可選) 二值化 降噪 傾斜校正分割字符 建立訓練庫 識別

由于是實驗性質的，文中用到的驗證碼均為程序生成而不是批量下載真實的網站驗證碼，這樣做的好處就是可以有大量的知道明確結果的數據集。

當需要真實環境下需要獲取數據時，可以使用結合各個大碼平臺來建立數據集進行訓練。

生成驗證碼這里我使用Claptcha （本地下載）這個庫，當然Captcha（本地下載）這個庫也是個不錯的選擇。

為了生成最簡單的純數字、無干擾的驗證碼，首先需要將claptcha.py的285行_drawLine做一些修改，我直接讓這個函數返回None，然后開始生成驗證碼：

from claptcha import Claptchac = Claptcha("8069","/usr/share/fonts/truetype/freefont/FreeMono.ttf")t,_ = c.write('1.png')

這里需要注意ubuntu的字體路徑，也可以在網上下載其他字體使用。生成驗證碼如下：

可以看出，驗證碼有形變。對于這類最簡單的驗證碼，可以直接使用谷歌開源的tesserocr來識別。

首先安裝：

apt-get install tesseract-ocr libtesseract-dev libleptonica-devpip install tesserocr

然后開始識別：

from PIL import Imageimport tesserocrp1 = Image.open('1.png')tesserocr.image_to_text(p1)'8069/n/n'

可以看出，對于這種簡單的驗證碼，基本什么都不做識別率就已經很高了。有興趣的小伙伴可以用更多的數據來測試，這里我就不展開了。

接下來，在驗證碼背景添加噪點來看看：

c = Claptcha("8069","/usr/share/fonts/truetype/freefont/FreeMono.ttf",noise=0.4)t,_ = c.write('2.png')

生成驗證碼如下：

識別：

p2 = Image.open('2.png')tesserocr.image_to_text(p2)'8069/n/n'

效果還可以。接下來生成一個字母數字組合的：

c2 = Claptcha("A4oO0zZ2","/usr/share/fonts/truetype/freefont/FreeMono.ttf")t,_ = c2.write('3.png')

生成驗證碼如下：