webdriver结合tesseract-ocr处理简单验证码

tesseract

tesseract-ocr/tesseract: 是一个开源的光学字符识别（OCR）引擎，适用于从图像中提取和识别文本。特点是可以识别多种语言，具有较高的识别准确率，并且支持命令行和API调用。

项目地址：https://gitcode.com/gh_mirrors/te/tesseract

免费下载资源

DreamTL

1112人浏览 · 2017-01-20 16:40:38

DreamTL · 2017-01-20 16:40:38 发布

使用OCR自动化识别，一般识别率不是太高，处理一般简单验证码还是没问题，这里使用的是Tesseract-OCR,下载地址：http://pan.baidu.com/s/1kUGaw8R

怎么使用呢？

首先，环境变量path添加tesseract-ocr的安装路径，然后使用命令窗口查看：

如果出现如上输出，表示安装正常。

我准备了一张验证码cp.png放在e盘tesseract目录下

：

结果为：

现在，具体实践，先准备一份网页：

[html]view plaincopy 
   
 <html>  
 <head>  
 <title>验证码</title>  
 </head>  
 <body>  
     <form>  
         <td>验证码：</td>  
         <input id="cp" type="text"/>  
         <img src="http://www.csti.cn/uc/index/verify.htm">  
     </form>  
 </body>  
 </html>  

要识别验证码，首先得取得验证码，首先获取整个页面的截图，然后找到页面元素坐标进行截取：

[java]view plaincopy 
   
 //元素截图  
 public static void captureElement(WebDriver driver, WebElement element, String path){  
     // 截图整个页面  
     File srcFile = ((TakesScreenshot) driver).getScreenshotAs(OutputType.FILE);  
     try {  
         // 获得元素的高度和宽度  
         int width = element.getSize().getWidth();  
         int height = element.getSize().getHeight();  
         // 创建一个矩形使用上面的高度和宽度  
         Rectangle rect = new Rectangle(width, height);  
         // 得到元素的坐标  
         Point p = element.getLocation();  
         BufferedImage img = ImageIO.read(srcFile);  
         BufferedImage dest = img.getSubimage(p.getX(), p.getY(), rect.width,rect.height);  
         // 存为png格式  
         ImageIO.write(dest, "png", srcFile);  
         Thread.sleep(1000);  
         FileUtils.copyFile(srcFile, new File(path));  
     } catch (Exception e) {  
         e.printStackTrace();  
     }  
 }  

截取完元素，就可以调用Tesseract-OCR生成text：

[java]view plaincopy 
   
 Runtime rt = Runtime.getRuntime();  
 rt.exec("cmd.exe /C  tesseract e:\\tesseract\\cp.png e:\\tesseract\\cp");  

接下来通过java读取txt：

[java]view plaincopy 
   
 public static String readTextFile(String filePath) {  
     String lineTxt = null;  
         try {  
             String encoding = "GBK";  
             File file = new File(filePath);  
             if (file.isFile() && file.exists()) { // 判断文件是否存在  
                 InputStreamReader read = new InputStreamReader(  
                         new FileInputStream(file), encoding);// 考虑到编码格式  
                 BufferedReader bufferedReader = new BufferedReader(read);  
                 while ((lineTxt = bufferedReader.readLine()) != null) {  
                     return lineTxt;  
                 }  
                 read.close();  
             } else {  
                 System.out.println("找不到指定的文件");  
             }  
         } catch (Exception e) {  
             System.out.println("读取文件内容出错");  
             e.printStackTrace();  
         }  
         return lineTxt;  
 }  

最后，直接调用：

[java]view plaincopy 
   
 public static void main(String[] args) throws IOException, InterruptedException {  
     WebDriver driver = new FirefoxDriver();  
     driver.manage().window().maximize();  
     driver.get("file:///E:/tesseract/cp.html");  
     WebElement cp = driver.findElement(By.xpath("//img"));  
     captureElement(driver, cp, "e:\\tesseract\\cp.png");  
     Runtime rt = Runtime.getRuntime();  
         rt.exec("cmd.exe /C  tesseract e:\\tesseract\\cp.png e:\\tesseract\\cp");  
         Thread.sleep(1000);  
         String cp2 = readTextFile("e:\\tesseract\\cp.txt");  
         driver.findElement(By.id("cp")).sendKeys(cp2);  
         //driver.quit();  
 }  