概述

在验证码识别上，node.js其实也只是打酱油的角色，因为已经有成熟的工具做这个事情，而node只需要做调度就行了。

所需工具

那么介绍一下这些工具吧

• Tesseract 开源的 OCR 识别工具，目前由 Google 维护，支持中文，默认的识别率很低哈，特别是中文，但是可以自己提供样本，训练提高识别率。
• graphicsmagick 非常实用的图像处理工具，下面会讲到用途。

Tesseract的使用

以下操作均在 Mac 环境下，Windows 其实也差不多，请自行区分 :-)。

安装

brew install tesseract --all-languages

使用

tesseract 1.jpg -psm 7 r

-psm 7 表示识别的内容是文本，r是保存识别内容的文件。

然后你会发现识别结果很坑… (⊙o⊙)…

提高识别率

之所以是这样，是因为验证码上有无关的图像干扰，例如噪点什么的，理论上去掉了干扰的元素，识别率就会极大的提高。 用阈值处理图片是个很方便的办法，在Photoshop中可以模拟这种操作。

再试一次

这里配置为55%的阈值，再来一次。

成功了！( ⊙ o ⊙ )！虽然多了个空格，但是已经完整识别出来了。

用node.js实现

最后在node.js中整合上面的操作，其中图像处理用 graphicsmagick 代替。 直接上源码吧，里面用到了 tesseract 和 graphicsmagick 在node.js中对应的包装。

var fs        = require('fs');
var tesseract = require('node-tesseract');
var gm        = require('gm');

processImg('1.jpg', 'test_1.jpg')
    .then(recognizer)
    .then(text => {
        console.log(`识别结果:${text}`);
    })
    .catch((err)=> {
        console.error(`识别失败:${err}`);
    });

/**
 * 处理图片为阈值图片
 * @param imgPath
 * @param newPath
 * @param [thresholdVal=55] 默认阈值
 * @returns {Promise}
 */
function processImg (imgPath, newPath, thresholdVal) {
    return new Promise((resolve, reject) => {
        gm(imgPath)
            .threshold(thresholdVal || 55)
            .write(newPath, (err)=> {
                if (err) return reject(err);

                resolve(newPath);
            });
    });
}

/**
 * 识别图片
 * @param imgPath
 * @param options tesseract options
 * @returns {Promise}
 */
function recognizer (imgPath, options) {
    options = Object.assign({psm: 7}, options);

    return new Promise((resolve, reject) => {
        tesseract
            .process(imgPath, options, (err, text) => {
                if (err) return reject(err);
                resolve(text.replace(/[\r\n\s]/gm, ''));
            });
    });
}

最后

写完之后才发现示例中的验证码的第一个字符其实是 G，而不是识别出来的C。 默认样本对相近字符识别还是挺低的，可以搜索 tesseract 训练，提高相近字符的识别率。

资源

• node-tesseract tesseract的node包装
• gm graphicsmagick的node包装
• node-ocr-demo 还做了一个 demo 放在 github 上了

本文同时发布在 think2011的博客 2016-01-31 17:49:08