Python用KNN算法实现验证码识别

Python用KNN算法实现验证码识别

作为一名爬虫爱好者，把互联网作为数据库的同时总会遇到很多坑，其中一个就是验证码，设置验证码一大理由就是为了限制你乱爬，不过对于很多简单的验证码，破解还是相当容易的。比如类似下面这种。最简单的办法是直接用pytesseract库，具体方法请自行搜索。当然如果不想用它，自己来写一个识别算法也并不难。可以用机器学习里面比较基础的KNN算法。

先来介绍一下这个KNN算法，他全称叫K最近邻(kNN，k-NearestNeighbor)，所谓K最近邻，就是离谁最近，是谁的可能性就更大。什么意思，举个例子就明白了。 我现在已经统计了一组手机数据，方便起见，假设只有高端机和低端机两个分类，如下：此时如果有一个新手机T（1500元，15小时），该怎么判断是什么手机呢？我把它们放到同一个坐标系中去比较一下。它并不能很好地跟已知数据完全重合，但不要紧，可以算一下它与其他手机的距离。经过计算，与T的距离D就是这么简单。当然了，这里面只是举个例子所以数据量比较小，当数据量足够大时，比如有200台低端机和300台高端机，选出最接近的200个数据，其中哪种机器多就归到哪种，得出的结论就会比较准确。这就是最简单的KNN算法，离哪个近，就把它归类为哪个种类。这

是二维，还可以再加个“像素”属性，变为三维，仍然可以求最近距离。拓展到N个属性也是一样的道理。基本原理就是这样，下面来介绍如何识别验证码，以下代码基于Python3 还是这张验证码，我们把它放大一点可以看到，其实他就是一个一个的像素点构成的。

里面颜色太多不好操作，首先把这张图变成黑白的from PIL import Image#引入Image类

im = Image.open('图片路径')#打开图片

im=im.convert('1')#原来图片是彩色的，这里把图片转换成模式'1'，即黑白的 im.show()#显示图片

于是我们就得到了这么一张图

可以把每个点的颜色转变成0和1，并打印出来for i in range(im.size[1]): temp=[]

for j in range(im.size[0]): pos=(j,i)

col=im.getpixel(pos)

#获取某坐标的点的颜色，黑色为0，白色为255，为了显示规程，把它转变成1了 if col==255: col=1

temp.append(col) print(temp)

可以从打印出来的字符中隐约看到这几个数字

然后处理一下这串字符，把不连续的点，即上下左右都没有同色的点去掉 im2 = im

for i in range(im.size[1]): for j in range(im.size[0]): #pos=(j,i) #print(pos)

if i==0 or j==0 or i==im.size[1]-1 or j==im.size[0]-1:

im2.putpixel((j,i),255)#图片最外面一周都换成白点

elif im.getpixel((j,i))!=im.getpixel((j-1,i)) and im.getpixel((j,i))!=im.getpixel((j+1,i)) and im.getpixel((j,i-1))!=im.getpixel((j,i)) and im.getpixel((j,i+1))!=im.getpixel((j,i)):

im2.putpixel((j,i),255)#不连续点也都换成白点

然后开始切割图片 inletter = False

foundletter = False start = 0 end = 0

letters = []#用来记录每个数字的起始位置

for x in range(im2.size[0]): for y in range(im2.size[1]): pix = im2.getpixel((x, y)) if pix != 255:

inletter = True#如果不是白色，这说明已经开始接触到数字了

if foundletter == False and inletter == True: foundletter = True start = x#数字的起始坐标

if foundletter == True and inletter == False: foundletter = False end = x-1#数字的结束位置 letters.append((start, end))

inletter = False

letters的值为[(7,

14), (20, 27), (33, 40), (46, 54)]，就是每个数字的起始X坐标，同样道理获得每个数字的起始Y坐标，然后切割开来。region = (起始X值,起始Y值,结束X值,结束Y值) #裁切图片

im3 = im2.crop(region)#im3就是这个区域内的图形，也就是提取的数字 #im3.show()

于是得出了四个切割好的数字

这个时候怎么做呢，我们把第一个数字9用0和1来打印看看。[1, 1, 1, 1, 0, 1, 1, 1, 1, 0, 0, 0,

0, 1, 1, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 1,

1, 1, 0, 0, 0, 0, 1, 1, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 1,

1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0,

0, 1, 1, 0, 0, 1, 0, 1]总大小7*14，总共98个点 到这里差不多就出来了，把每个点看成一个属性，问题就转化成了：已知一个数有98个属性，也知道他的种类是9，同样，还有很多很多这样的数，知道属性+种类。然后要做的，就是拿N个样本作为标准集合，有新的数要识别的时候，选出最接近

的K个，这K个里面，数量最多的就是这个数的值。

本文来源：https://www.bwwdw.com/article/6zgv.html