python+tesseract 训练和破解验证码(一)

利用python及tesseract达到高效破解验证码的方式，主要针对彩色背景，包含数字、英文字母，存在干扰性的简单验证码。

1. 前期准备
   i. window 10
   ii. python 3.8
   iii. tesseract-ocr.exe
   iv. jTessBoxEditor-1.80 (用以完成tesseract字库的训练)
   v. requests, pytesseract, PIL 等库

2.流程介绍
i. 环境配置
ii. 验证码图片下载
iii. 验证码图片处理
iv. 基于验证码中字符的tesseract字库训练
v. 验证码破解

3. 环境配置
   i. python3.8的安装及配置
   这个不是本文重点，相信大家也已经安装了，就不赘述了。
   ii. tesseract-ocr的安装及配置
   打开链接 https://digi.bib.uni-mannheim.de/tesseract/ 选择版本下载
   我这边选择的是 tesseract-ocr-w64-setup-v5.0.0.20190623.exe
   然后安装，我安装的目录是D:\Program Files\Tesseract-OCR
   配置环境变量：
   Path中新增D:\Program Files\Tesseract-OCR；
   系统变量中新增 一个变量名为：TESSDATA_PREFIX
   值为D:\Program Files\Tesseract-OCR\tessdata
   如下图：
   

   
   iii. 安装python的OCR识别库
   win+R 打开命令行
   pip install Pillow
   pip install pytesseract
   修改pytesseract第三方库的pytesseract.py
   
   打开pytesseract.py, 将window的tesserocr应用的tesserocr.exe绑定好。如下图
   
   iv. jTessBoxEditor-1.8.0的安装和使用
   jTessBoxEditor是训练tesseract词库的一款工具，可以直接从官网下载压缩包，下载地址Browse /jTessBoxEditor at SourceForge.net。解压后，可直接使用