selenium识别登录验证码---基于python实现

本文主要是通过PIL+pytesseract+Tesseract-OCR实现验证码的识别

其中PIL为Python Imaging Library，已经是Python平台事实上的图像处理标准库了。PIL功能非常强大，但API却非常简单易用。

PIL第三方库安装 pip install PIL

Image 类是 PIL 库中一个非常重要的类，通过这个类来创建实例可以有直接载入图像文件，读取处理过的图像和通过抓取的方法得到的图像这三种方法。

常见的图像操作：

import Image # 打开一个jpg图像文件

im = Image.open('/Users/michael/test.jpg')

# 获得图像尺寸: w, h = im.size 

# 把缩放后的图像用jpeg格式保存: im.save('/Users/michael/thumbnail.jpg', 'jpeg')

图像的增强（PIL库ImageEnhance类详解）

python中PIL模块中有一个叫做ImageEnhance的类，该类专门用于图像的增强处理，不仅可以增强（或减弱）图像的亮度、对比度、色度，还可以用于增强图像的锐度。

具体见下面的例子：

1. #-*- coding: UTF-8 -*-
2. from PIL import Image
3. from PIL import ImageEnhance
4. #原始图像
5. image = Image.open('lena.jpg')
6. image.show()
7. #亮度增强
8. enh_bri = ImageEnhance.Brightness(image)
9. brightness = 1.5
10. image_brightened = enh_bri.enhance(brightness)
11. image_brightened.show()
12. #色度增强
13. enh_col = ImageEnhance.Color(image)
14. color = 1.5
15. image_colored = enh_col.enhance(color)
16. image_colored.show()
17. #对比度增强
18. enh_con = ImageEnhance.Contrast(image)
19. contrast = 1.5
20. image_contrasted = enh_con.enhance(contrast)
21. image_contrasted.show()
22. #锐度增强
23. enh_sha = ImageEnhance.Sharpness(image)
24. sharpness = 3.0
25. image_sharped = enh_sha.enhance(sharpness)
26. image_sharped.show()

图片增强能够更好的识别较为复杂的验证码

Tesseract：开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后经由Google进行改进，消除bug，优化，重新发布。当前版本为3.02

Tesseract-OCR下载地址 :http://jaist.dl.sourceforge.net/project/tesseract-ocr-alt/tesseract-ocr-setup-3.02.02.exe

下载完后进行安装,默认情况下安装程序会给你配置系统环境变量,以指向安装目录（之后可以通过DOS界面在任意目录运行tesseract）。安装完成后目录如下:

附录:

tessdata 目录存放的是语言字库文件，和在命令行界面中可能用到的参数所对应的文件. 这个安装程序默认包含了英文字库。

如果想能识别中文，可以到http://code.google.com/p/tesseract-ocr/downloads/list下载对应的语言的字库文件.一般google访问不了，请到这里下载即可，

简体中文字库文件下载地址为:http://download.csdn.net/detail/wanghui2008123/7621567下载完成后解压，然后将该文件剪切到tessdata目录下去就可以了。

详解可参见：http://www.cnblogs.com/wzben/p/5930538.html

Tesseract并不能直接在python中使用，需要使用python的封装类pytesseract

Python-tesseract 是光学字符识别Tesseract OCR引擎的Python封装类。能够读取任何常规的图片文件(JPG, GIF ,PNG , TIFF等)并解码成可读的语言。在OCR处理期间不会创建任何临文件

总结起来识别的步骤如下：

1. 安装PIL  2. 安装Tesseract  3.安装pytesseract

下面以实例说话吧！

# coding:utf-8
from selenium import webdriver
from time import sleep
import unittest
from PIL import Image
from PIL import ImageEnhance
import pytesseract
driver=webdriver.Firefox()
url="https://passport.baidu.com/?getpassindex"
driver.get(url)
driver.maximize_window()
driver.save_screenshot(r"E:\aa.png")  #截取当前网页，该网页有我们需要的验证码
imgelement = driver.find_element_by_xpath(".//*[@id='forgotsel']/div/div[3]/img")
#imgelement = driver.find_element_by_id("code")  #定位验证码
location = imgelement.location  #获取验证码x,y轴坐标
size=imgelement.size  #获取验证码的长宽
coderange=(int(location['x']),int(location['y']),int(location['x']+size['width']),
           int(location['y']+size['height'])) #写成我们需要截取的位置坐标
i=Image.open(r"E:\aa.png") #打开截图
frame4=i.crop(coderange)  #使用Image的crop函数，从截图中再次截取我们需要的区域
frame4.save(r"E:\frame4.png")
i2=Image.open(r"E:\frame4.png")
imgry = i2.convert('L')   #图像加强，二值化，PIL中有九种不同模式。分别为1，L，P，RGB，RGBA，CMYK，YCbCr，I，F。L为灰度图像
sharpness =ImageEnhance.Contrast(imgry)#对比度增强
i3 = sharpness.enhance(3.0)  #3.0为图像的饱和度
i3.save("E:\\image_code.png")
i4=Image.open("E:\\image_code.png")
text=pytesseract.image_to_string(i2).strip() #使用image_to_string识别验证码
print text