python+PIL+pytesser处理验证码环境搭建

前言：

春节期间，无法全身心投入地去写爬虫，那就玩玩验证码吧，应该比较有趣！

首次接触验证码识别，用pytesser接触一下最简单的验证码先，代码参照：使用python以及工具包进行简单的验证码识别。具体细节可以参见原文，里面安装和报错处理没有详细记录，我在此处主要记录一下自己的安装及处理过程。

效果：

可识别以下类型的验证码：
这里写图片描述

正文：

代码：

# encoding=utf-8
from PIL import Image
from pytesser import *

img = Image.open('验证码.jpg')
img_grey = img.convert('L')

threshold = 140
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
img_out = img_grey.point(table, '1')

text = image_to_string(img_grey)  # 将图片转成字符串
print text

安装包：

需要安装的包主要有两个： PIL 和 pytesser 。
我的环境：64位win8系统、python2.7

PIL模块的安装：

PIL 全称 “Python Imaging Library”。
下载地址：传送门

我下载了这里写图片描述

运行报错：Python version 2.7 required, which was not found in the registry.

网上找出原因：这个 PIL 安装资源是给32位操作系统，32位和64位操作系统下的python在注册表中的路径是不一样的：
64位检查注册表的位置是： HKLM|HKCUSOFTWARE
32位检查注册表的位置是： HKLM|HKCUSOFTWAREwow6432node
所以在64位系统中自然检查不出有Python。

解决方案：
官方没有提供64位的PIL库，但非官方有：传送门。
下载里面的pillow库：
64位PIL
然后在命令行安装该模块：
pip install G:/For_Life/360download/Pillow-3.1.1-cp27-none-win_amd64.whl

注意：在 pillow 下载页中有一行 “Use ‘from PIL import Image’ instead of ‘import Image’” ，所以一般方法安装的 PIL 要导入 Image 模块使用 “import Image” ，而此方法安装的 PIL 要使用 “from PIL import Image” 。
更多请见：Windows安装Python图像处理库：PIL模块。

pytesser模块的安装：

下载地址：传送门。（此网址有时候会加载失败，我将自己下载的放在微盘上了：传送门密码：DPHE）

下载后得到 “pytesser_v0.0.1.zip”，是一个压缩文件，使用方法：
1、在 “D:For_SoftwareothersPython_PyDevPythonLibsite-packages” 路径下新建一个文件夹，命名 “pytesser” 。把 “pytesser_v0.0.1.zip” 里的文件解压到该目录：
pytesser模块的安装

2、将 “pytesser.py” 改名为 “__init__.py”。

3、打开 “__init__.py” 文件，将 “tesseract_exe_name” 变量的值改为 “‘D:/For_Software/others/Python_PyDev/Python/Lib/site-packages/pytesser /tesseract’”(原值为 “‘tesseract’”)。

4、pytesser 模块依赖于 PIL 模块，如果是按照上面的方法安装 PIL 的话，需要把 “init.py” 文件里的 “import Image” 改成 “from PIL import Image” 。
（注意以上的路径要改成自己的路径，不要原搬照抄，应该不会这么笨吧）

如果报错：WindowsError: [Error 2]
pytesser WindowsError:[Error 2]
可能的原因：python找不到 “tesseract.exe”，执行步骤3给python指定一个绝对路径就可以了。

如果报错：ImportError: No module named Image
pytesser ImportError: No module named Image
可能的原因：在 pytesser 中的 “__init__.py” ，导入 Image 的方式不对，见步骤4。

总结：

其实这只是处理最简单的验证码而已，代码也很简单，主要做两个工作而已。第一个是将彩色图片转成灰度图片并除噪，第二个是使用 pytesser.image_to_string() 将图片中的字符提取出来。

处理的图片也是非常有限的图片上的数字或字母必须没有变形（即使是没有变形的情况下还会出现数字跟字母混淆的情况），验证码的背景不能太复杂，允许字体加上一些颜色。
这么简单的验证码估计很少见，不常用。所以这么简单的处理方法，我们看一看也就可以了，如果实际使用的话技术还有待深入。

热爱前端技术