崔庆才 Python3 爬虫教程：OCR识别图形验证码全攻略

一、图形验证码与OCR识别的技术背景

在Web爬虫开发中，图形验证码是常见的反爬机制之一。其通过生成包含字符、数字或干扰元素的图片，要求用户手动输入以验证人机身份。传统破解方式（如手动输入）效率低下，而自动化识别需依赖OCR（Optical Character Recognition，光学字符识别）技术。OCR的核心是将图像中的文字转换为可编辑的文本格式，其准确性直接影响验证码识别的成功率。

Python生态中，Tesseract OCR（由Google开发）和Pillow（图像处理库）是处理图形验证码的两大核心工具。Tesseract支持多语言识别，但需结合图像预处理优化效果；Pillow则用于调整图像的对比度、二值化等操作，降低干扰因素。本教程将基于Python3环境，结合这两款工具实现高效验证码识别。

二、OCR识别图形验证码的核心步骤

1. 环境准备与依赖安装

首先需安装必要的Python库：

pip install pillow pytesseract

同时需下载Tesseract OCR引擎（官网下载链接），并配置系统环境变量（Windows需将Tesseract安装路径添加至PATH，Linux/macOS可通过包管理器安装）。

2. 图像预处理：提升识别准确率的关键

原始验证码图像可能存在噪声、低对比度或变形等问题，需通过以下步骤优化：

• 灰度化：将彩色图像转为灰度，减少计算量。

  from PIL import Image
  img = Image.open("captcha.png").convert("L")  # "L"模式表示灰度

• 二值化：通过阈值将图像转为黑白两色，突出字符轮廓。

  threshold = 140  # 阈值需根据图像调整
  binary_img = img.point(lambda x: 0 if x < threshold else 255)

• 降噪：使用中值滤波或高斯滤波去除孤立噪点。

  from PIL import ImageFilter
  denoised_img = binary_img.filter(ImageFilter.MedianFilter(size=3))

3. 使用Tesseract进行OCR识别

配置Tesseract路径后，直接调用image_to_string方法：

import pytesseract
# 指定Tesseract路径（Windows示例）
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
text = pytesseract.image_to_string(denoised_img, config="--psm 7")  # --psm 7表示单行文本模式
print("识别结果:", text.strip())

config参数中的--psm用于指定页面分割模式（如7为单行文本，6为块状文本），需根据验证码布局调整。

三、实战案例：识别某网站图形验证码

1. 案例背景

某网站验证码为4位数字，背景含干扰线，字符间距较小。直接识别准确率仅30%，需通过预处理优化。

2. 完整代码实现

from PIL import Image, ImageFilter
import pytesseract
def preprocess_captcha(img_path):
    # 打开图像并转为灰度
    img = Image.open(img_path).convert("L")
    # 二值化
    threshold = 150
    binary_img = img.point(lambda x: 0 if x < threshold else 255)
    # 降噪
    denoised_img = binary_img.filter(ImageFilter.MedianFilter(size=3))
    # 膨胀操作（可选，用于连接断裂字符）
    # from PIL import ImageOps
    # expanded_img = ImageOps.expand(denoised_img, border=1, fill=255)
    return denoised_img
def recognize_captcha(img_path):
    processed_img = preprocess_captcha(img_path)
    text = pytesseract.image_to_string(
        processed_img,
        config="--psm 7 -c tessedit_char_whitelist=0123456789"  # 限制识别字符集
    )
    return text.strip()
# 测试
result = recognize_captcha("example_captcha.png")
print("识别结果:", result)

3. 效果优化策略

• 字符集限制：通过tessedit_char_whitelist参数限制识别范围（如仅数字），可提升准确率20%以上。
• 多帧识别：对动态验证码（如GIF），可拆分帧后分别识别，取置信度最高的结果。
• 深度学习替代方案：对于复杂验证码（如扭曲字符），可训练CNN模型（如使用Keras或PyTorch），但需大量标注数据。

四、常见问题与解决方案

1. Tesseract识别乱码

   • 检查语言包是否安装（如中文需下载chi_sim.traineddata）。
   • 调整--psm参数或使用--oem 3（默认OCR引擎模式）。

2. 预处理后字符断裂

   • 使用ImageOps.expand进行膨胀操作，连接断裂部分。
   • 调整二值化阈值或尝试自适应阈值（如cv2.adaptiveThreshold）。

3. 验证码含干扰线/点

   • 通过形态学操作（如开运算、闭运算）去除细线。
   • 使用cv2.inpaint（需OpenCV）修复干扰区域。

五、总结与进阶建议

本教程通过Python3的Pillow和Tesseract OCR库，实现了图形验证码的自动化识别。关键点在于：

1. 图像预处理：灰度化、二值化、降噪是提升准确率的基础。
2. 参数调优：合理设置--psm和字符集限制可显著优化结果。
3. 扩展性：复杂场景可结合OpenCV或深度学习模型进一步优化。

进阶方向：

• 学习使用EasyOCR或PaddleOCR等现代OCR库，支持更复杂的验证码场景。
• 探索基于GAN的验证码生成与识别对抗研究，深入理解反爬与爬虫的技术博弈。

通过系统掌握OCR识别技术，开发者可高效突破图形验证码限制，为数据采集和自动化测试提供有力支持。