背景

需求是要爬取某网站的数据, 已有账号密码, 但这个网站需要登录, 登录需要输入验证码
验证码样式如下

调研了Tesseract框架, 识别效果不佳. 后来使用ddddocr, 能正确识别.

https://github.com/sml2h3/ddddocr

代码如下

def ocr():
    response = requests.get('http://xxx/getimg')
    data = response.json()
    # 提取Base64图片字符串
    base64_image = data['data']['img']
    #base64_image = "data:image/png;base64,iVBORw0KGgxxxxx"
    image_data = base64.b64decode(base64_image.split(',')[1])
    ocr = ddddocr.DdddOcr()
    result = ocr.classification(image_data)
    # 打印识别结果
    print(result)

# Press the green button in the gutter to run the script.
if __name__ == '__main__':
    ocr()

由于是为了爬取数据, 验证码是从接口取的. 返回的是一个base64. 示例代码里是将base64转成字节数组进行识别. ddddocr官方示例有直接通过图片(xx.jpg)识别的, 可以直接参照github官方.

遇到的坑

1. 提示AttributeError: module ‘ddddocr’ has no attribute ‘DdddOcr’
   原因是我示例的python文件名字就是ddddocr.py. 和包冲突了, 改了即可.
2. 出现：AttributeError: module ‘PIL.Image’ has no attribute ‘ANTIALIAS’
   降级Pillow的版本，比如使用9.5.0版本（先卸载，再重新安装）
   pip uninstall -y Pillow
   pip install Pillow==9.5.0

两个坑都是在github issues中找到的答案.