使用 tesseract 读取验证码给出了错误的读数

Question

from urllib import urlopen,urlretrieve
from PIL import Image,ImageOps
from bs4 import BeautifulSoup
import requests
import subprocess
def cleanImage(imagePath):
    image=Image.open(imagePath)
    image=image.point(lambda x:0 if x<143 else 255)
    borederImage=ImageOps.expand(image,border=20,fill="white")
    borederImage.save(imagePath)
html=urlopen("http://www.pythonscraping.com/humans-only")
soup=BeautifulSoup(html,'html.parser')
imageLocation=soup.find('img',{'title':'Image CAPTCHA'})['src']
formBuildID=soup.find('input',{'name':'form_build_id'})['value']
captchaSID=soup.find('input',{'name':'captcha_sid'})['value']
captchaToken=soup.find('input',{'name':'captcha_token'})['value']
captchaURL="http://pythonscraping.com"+imageLocation
urlretrieve(captchaURL,"captcha.jpg")
cleanImage("captcha.jpg")
p=subprocess.Popen(['tesseract','captcha.jpg',"captcha"],stdout=subprocess.PIPE,stderr=subprocess.PIPE)
p.wait()
f=open('captcha.txt','r')
captchaResponce=f.read().replace(" ","").replace("\n","")
print "captcha responce attempt "+ captchaResponce+"\n\n"
try:
    print captchaResponce
    print len(captchaResponce)
    print type(captchaResponce)
except:
    print "No way"

你好

这是我用于测试站点的代码，用于下载验证码图像（每次打开站点时都会获得不同的验证码），然后使用 python 中的 tesseract 读取它。

我尝试直接下载图像并使用 tesseract 直接读取它没有得到正确的验证码读数，所以我添加了函数 cleanImage 来帮助但它也没有正确读取.

在网上搜索后，我的问题似乎是 tesseract 没有 "trained" 正确处理图像。

非常感谢任何帮助。 **此代码来自网络抓取书，此示例的目的也是读取验证码并提交表单。这绝不是使网站过载或损害网站的攻击或进攻工具。

Answer 1

Tesseract 被训练做更传统的 OCR，而 CAPTCHA 对它来说非常具有挑战性，因为字符没有对齐，可能有旋转、重叠以及大小和字体不同。您应该尝试使用不同的页面分段模式（--psm 选项）调用 tesseract。以下是所有可能值的列表：

Page segmentation modes:
0    Orientation and script detection (OSD) only.
1    Automatic page segmentation with OSD.
2    Automatic page segmentation, but no OSD, or OCR.
3    Fully automatic page segmentation, but no OSD. (Default)
4    Assume a single column of text of variable sizes.
5    Assume a single uniform block of vertically aligned text.
6    Assume a single uniform block of text.
7    Treat the image as a single text line.
8    Treat the image as a single word.
9    Treat the image as a single word in a circle.
10   Treat the image as a single character.
11   Sparse text. Find as much text as possible in no particular order.
12   Sparse text with OSD.
13   Raw line. Treat the image as a single text line,
     bypassing hacks that are Tesseract-specific.

尝试 OSD 模式（如 1、7、11、12、13）。这将提高您的识别率。但是为了真正提高，你将不得不编写一个程序来找到单独的字母（分割图像）并将它们一个接一个地发送到 tesseract（使用 --psm 10）。 opencv 是一个很棒的图像处理库。 This post 可能是一个好的开始。

关于 CAPTCHA 认可的合法性问题：这是道德问题，超出了 SO 的范围。 Pythonscraping是一个经典的测试站点，我认为没有任何问题可以帮助解决问题。这种担心与教自卫可能被用来攻击人是一样的。

无论如何，CAPTCHA 是一个非常弱的人工确认挑战，现在没有网站应该使用它，而 reCAPTCHA 更强大、更友好和免费。

Answer 2

我用 tesseract 用 nodejs 解决了验证码问题。要获得它运行你需要先做一些图像处理（取决于你尝试解决的验证码）。

如果你以这种类型的验证码为例，我做了：

移除 "white noise"
去除灰线
去除灰点
填补空白
更改为灰度图像
现在用 tesseract 做 OCR

您可以在此处查看代码、它是如何完成的以及更多文档：https://github.com/cracker0dks/CaptchaSolver

使用 tesseract 读取验证码给出了错误的读数

Reading CAPTCHA using tesseract is giving wrong readings

python

python-2.7

python-tesseract