1. python可視化神器——pyecharts庫
無意中從今日頭條中看到的一篇文章，可以生成簡單的圖表。據說一些大數據開發們也是經常用類似的圖表庫，畢竟有現成的，改造下就行，誰會去自己造輪子呢。
pyecharts是什麼？
pyecharts 是一個用於生成 Echarts 圖表的類庫。Echarts 是網路開源的一個數據可視化 JS 庫。用 Echarts 生成的圖可視化效果非常棒， pyecharts 是為了與 Python 進行對接，方便在 Python 中直接使用數據生成圖 。使用pyecharts可以生成獨立的網頁，也可以在flask、django中集成使用。
安裝很簡單：pip install pyecharts
如需使用 Jupyter Notebook 來展示圖表，只需要調用自身實例即可，同時兼容 Python2 和 Python3 的 Jupyter Notebook 環境。所有圖表均可正常顯示，與瀏覽器一致的交互體驗，簡直不要太強大。
參考自pyecharts官方文檔: http://pyecharts.org
首先開始來繪制你的第一個圖表
使用 Jupyter Notebook 來展示圖表，只需要調用自身實例即可
add() 主要方法，用於添加圖表的數據和設置各種配置項
render() 默認將會在根目錄下生成一個 render.html 的文件，文件用瀏覽器打開。
使用主題
自 0.5.2+ 起，pyecharts 支持更換主體色系
使用 pyecharts-snapshot 插件
如果想直接將圖片保存為 png, pdf, gif 格式的文件，可以使用 pyecharts-snapshot。使用該插件請確保你的系統上已經安裝了 Nodejs 環境。
安裝 phantomjs $ npm install -g phantomjs-prebuilt
安裝 pyecharts-snapshot $ pip install pyecharts-snapshot
調用 render 方法 bar.render(path='snapshot.png') 文件結尾可以為 svg/jpeg/png/pdf/gif。請注意，svg 文件需要你在初始化 bar 的時候設置 renderer='svg'。
圖形繪制過程
基本上所有的圖表類型都是這樣繪制的：
chart_name = Type() 初始化具體類型圖表。
add() 添加數據及配置項。
render() 生成本地文件（html/svg/jpeg/png/pdf/gif）。
add() 數據一般為兩個列表（長度一致）。如果你的數據是字典或者是帶元組的字典。可利用 cast() 方法轉換。
多次顯示圖表
從 v0.4.0+ 開始，pyecharts 重構了渲染的內部邏輯，改善效率。推薦使用以下方式顯示多個圖表。如果使是 Numpy 或者 Pandas，可以參考這個示例
當然你也可以採用更加酷炫的方式，使用 Jupyter Notebook 來展示圖表，matplotlib 有的，pyecharts 也會有的
Note： 從 v0.1.9.2 版本開始，廢棄 render_notebook() 方法，現已採用更加 pythonic 的做法。直接調用本身實例就可以了。
比如這樣
還有這樣
如果使用的是自定義類，直接調用自定義類示例即可
圖表配置
圖形初始化
通用配置項
xyAxis：平面直角坐標系中的 x、y 軸。(Line、Bar、Scatter、EffectScatter、Kline)
dataZoom：dataZoom 組件 用於區域縮放，從而能自由關注細節的數據信息，或者概覽數據整體，或者去除離群點的影響。(Line、Bar、Scatter、EffectScatter、Kline、Boxplot)
legend：圖例組件。圖例組件展現了不同系列的標記(symbol)，顏色和名字。可以通過點擊圖例控制哪些系列不顯示。
label：圖形上的文本標簽，可用於說明圖形的一些數據信息，比如值，名稱等。
lineStyle：帶線圖形的線的風格選項(Line、Polar、Radar、Graph、Parallel)
grid3D：3D笛卡爾坐標系組配置項，適用於 3D 圖形。（Bar3D, Line3D, Scatter3D)
axis3D：3D 笛卡爾坐標系 X，Y，Z 軸配置項，適用於 3D 圖形。（Bar3D, Line3D, Scatter3D)
visualMap：是視覺映射組件，用於進行『視覺編碼』，也就是將數據映射到視覺元素（視覺通道）
markLine&markPoint：圖形標記組件，用於標記指定的特殊數據，有標記線和標記點兩種。（Bar、Line、Kline）
tooltip：提示框組件，用於移動或點擊滑鼠時彈出數據內容
toolbox：右側實用工具箱
圖表詳細
Bar（柱狀圖/條形圖）
Bar3D（3D 柱狀圖）
Boxplot（箱形圖）
EffectScatter（帶有漣漪特效動畫的散點圖）
Funnel（漏斗圖）
Gauge（儀表盤）
Geo（地理坐標系）
GeoLines（地理坐標系線圖）
Graph（關系圖）
HeatMap（熱力圖）
Kline/Candlestick（K線圖）
Line（折線/面積圖）
Line3D（3D 折線圖）
Liquid（水球圖）
Map（地圖）
Parallel（平行坐標系）
Pie（餅圖）
Polar（極坐標系）
Radar（雷達圖）
Sankey（桑基圖）
Scatter（散點圖）
Scatter3D（3D 散點圖）
ThemeRiver（主題河流圖）
TreeMap（矩形樹圖）
WordCloud（詞雲圖）
用戶自定義
Grid 類：並行顯示多張圖
Overlap 類：結合不同類型圖表疊加畫在同張圖上
Page 類：同一網頁按順序展示多圖
Timeline 類：提供時間線輪播多張圖
統一風格
註：pyecharts v0.3.2以後，pyecharts 將不再自帶地圖 js 文件。如用戶需要用到地圖圖表，可自行安裝對應的地圖文件包。
地圖文件被分成了三個 Python 包，分別為：
全球國家地圖:
echarts-countries-pypkg
中國省級地圖:
echarts-china-provinces-pypkg
中國市級地圖:
echarts-china-cities-pypkg
直接使用python的pip安裝
但是這里大家一定要注意，安裝完地圖包以後一定要重啟jupyter notebook，不然是無法顯示地圖的。
顯示如下：
總得來說，這是一個非常強大的可視化庫，既可以集成在flask、Django開發中，也可以在做數據分析的時候單獨使用，實在是居家旅行的必備神器啊
2. python繪圖篇
1，xlable,ylable設置x，y軸的標題文字。
2，title設置標題。
3，xlim,ylim設置x,y軸顯示範圍。
plt.show()顯示繪圖窗口，通常情況下，show（）會阻礙程序運行，帶-wthread等參數的環境下，窗口不會關閉。
plt.saveFig（）保存圖像。
面向對象繪圖
1，當前圖表和子圖可以用gcf(),gca()獲得。
subplot()繪制包含多個圖表的子圖。
configure subplots,可調節子圖與圖表邊框距離。
可以通過修改配置文件更改對象屬性。
圖標顯示中文
1，在程序中直接指定字體。
2， 在程序開始修改配置字典reParams.
3，修改配置文件。
Artist對象
1，圖標的繪制領域。
2，如何在FigureCanvas對象上繪圖。
3，如何使用Renderer在FigureCanvas對象上繪圖。
FigureCanvas和Render處理底層圖像操作，Artist處理高層結構。
分為簡單對象和容器對象，簡單的Aritist是標準的繪圖元件，例如Line 2D,Rectangle,Text,AxesImage等，而容器類型包含許多簡單的的 Aritist對象，使他們構成一個整體，例如Axis,Axes,Figure等。
直接創建Artist對象進項繪圖操作步奏：
1，創建Figure對象（通過figure（）函數，會進行許多初始化操作，不建議直接創建。）
2，為Figure對象創建一個或多個Axes對象。
3，調用Axes對象的方法創建各類簡單的Artist對象。
Figure容器
如何找到指定的Artist對象。
1，可調用add_subplot()和add_axes()方法向圖表添加子圖。
2，可使用for循環添加柵格。
3，可通過transform修改坐標原點。
Axes容器
1，patch修改背景。
2，包含坐標軸，坐標網格，刻度標簽，坐標軸標題等內容。
3，get_ticklabels(),,get-ticklines獲得刻度標簽和刻度線。
1，可對曲線進行插值。
2，fill_between()繪制交點。
3，坐標變換。
4，繪制陰影。
5，添加註釋。
1，繪制直方圖的函數是
2，箱線圖（Boxplot）也稱箱須圖（Box-whisker Plot），是利用數據中的五個統計量：最小值、第一四分位
數、中位數、第三四分位數與最大值來描述數據的一種方法，它可以粗略地看出數據是否具有對稱性以及分
布的分散程度等信息，特別可以用於對幾個樣本的比較。
3，餅圖就是把一個圓盤按所需表達變數的觀察數劃分為若干份，每一份的角度（即面積）等價於每個觀察
值的大小。
4,散點圖
5,QQ圖
低層繪圖函數
類似於barplot()，dotchart()和plot()這樣的函數採用低層的繪圖函數來畫線和點，來表達它們在頁面上放置的位置以及其他各種特徵。
在這一節中，我們會描述一些低層的繪圖函數，用戶也可以調用這些函數用於繪圖。首先我們先講一下R怎麼描述一個頁面；然後我們講怎麼在頁面上添加點，線和文字；最後講一下怎麼修改一些基本的圖形。
繪圖區域與邊界
R在繪圖時，將顯示區域劃分為幾個部分。繪制區域顯示了根據數據描繪出來的圖像，在此區域內R根據數據選擇一個坐標系，通過顯示出來的坐標軸可以看到R使用的坐標系。在繪制區域之外是邊沿區，從底部開始按順時針方向分別用數字1到4表示。文字和標簽通常顯示在邊沿區域內，按照從內到外的行數先後顯示。
添加對象
在繪制的圖像上還可以繼續添加若干對象，下面是幾個有用的函數，以及對其功能的說明。
•points(x, y, ...)，添加點
•lines(x, y, ...)，添加線段
•text(x, y, labels, ...)，添加文字
•abline(a, b, ...)，添加直線y=a+bx
•abline(h=y, ...)，添加水平線
•abline(v=x, ...)，添加垂直線
•polygon(x, y, ...)，添加一個閉合的多邊形
•segments(x0, y0, x1, y1, ...)，畫線段
•arrows(x0, y0, x1, y1, ...)，畫箭頭
•symbols(x, y, ...)，添加各種符號
•legend(x, y, legend, ...)，添加圖列說明
3. python可視化數據分析常用圖大集合（收藏）
python數據分析常用圖大集合：包含折線圖、直方圖、垂直條形圖、水平條形圖、餅圖、箱線圖、熱力圖、散點圖、蜘蛛圖、二元變數分布、面積圖、六邊形圖等12種常用可視化數據分析圖，後期還會不斷的收集整理，請關注更新！
以下默認所有的操作都先導入了numpy、pandas、matplotlib、seaborn
一、折線圖
折線圖可以用來表示數據隨著時間變化的趨勢
Matplotlib
plt.plot(x, y)
plt.show()
Seaborn
df = pd.DataFrame({'x': x, 'y': y})
sns.lineplot(x="x", y="y", data=df)
plt.show()
二、直方圖
直方圖是比較常見的視圖，它是把橫坐標等分成了一定數量的小區間，然後在每個小區間內用矩形條（bars）展示該區間的數值
Matplotlib
Seaborn
三、垂直條形圖
條形圖可以幫我們查看類別的特徵。在條形圖中，長條形的長度表示類別的頻數，寬度表示類別。
Matplotlib
Seaborn
1plt.show()
四、水平條形圖
五、餅圖
六、箱線圖
箱線圖由五個數值點組成：最大值 (max)、最小值 (min)、中位數 (median) 和上下四分位數 (Q3, Q1)。
可以幫我們分析出數據的差異性、離散程度和異常值等。
Matplotlib
Seaborn
七、熱力圖
力圖，英文叫 heat map，是一種矩陣表示方法，其中矩陣中的元素值用顏色來代表，不同的顏色代表不同大小的值。通過顏色就能直觀地知道某個位置上數值的大小。
通過 seaborn 的 heatmap 函數，我們可以觀察到不同年份，不同月份的乘客數量變化情況，其中顏色越淺的代表乘客數量越多
八、散點圖
散點圖的英文叫做 scatter plot，它將兩個變數的值顯示在二維坐標中，非常適合展示兩個變數之間的關系。
Matplotlib
Seaborn
九、蜘蛛圖
蜘蛛圖是一種顯示一對多關系的方法，使一個變數相對於另一個變數的顯著性是清晰可見
十、二元變數分布
二元變數分布可以看兩個變數之間的關系
十一、面積圖
面積圖又稱區域圖，強調數量隨時間而變化的程度，也可用於引起人們對總值趨勢的注意。
堆積面積圖還可以顯示部分與整體的關系。折線圖和面積圖都可以用來幫助我們對趨勢進行分析，當數據集有合計關系或者你想要展示局部與整體關系的時候，使用面積圖為更好的選擇。
十二、六邊形圖
六邊形圖將空間中的點聚合成六邊形，然後根據六邊形內部的值為這些六邊形上色。
原文至：https://www.py.cn/toutiao/16894.html
4. Python繪圖之（1）Turtle庫詳解
Turtle庫是Python語言中一個很流行的繪制圖像的函數庫，想像一個小烏龜，在一個橫軸為x、縱軸為y的坐標系原點，(0,0)位置開始，它根據一組函數指令的控制，在這個平面坐標系中移動，從而在它爬行的路徑上繪制了圖形。
畫布就是turtle為我們展開用於繪圖區域，我們可以設置它的大小和初始位置。
設置畫布大小
turtle.screensize(canvwidth=None, canvheight=None, bg=None)，參數分別為畫布的寬(單位像素), 高, 背景顏色。
如：turtle.screensize(800,600, "green")
turtle.screensize() #返回默認大小(400, 300)
turtle.setup(width=0.5, height=0.75, startx=None, starty=None)，參數：width, height: 輸入寬和高為整數時, 表示像素; 為小數時, 表示占據電腦屏幕的比例，(startx, starty): 這一坐標表示矩形窗口左上角頂點的位置, 如果為空,則窗口位於屏幕中心。
如：turtle.setup(width=0.6,height=0.6)
turtle.setup(width=800,height=800, startx=100, starty=100)
2.1 畫筆的狀態
在畫布上，默認有一個坐標原點為畫布中心的坐標軸，坐標原點上有一隻面朝x軸正方向小烏龜。這里我們描述小烏龜時使用了兩個詞語：坐標原點(位置)，面朝x軸正方向(方向)， turtle繪圖中，就是使用位置方向描述小烏龜(畫筆)的狀態。
2.2 畫筆的屬性
畫筆(畫筆的屬性，顏色、畫線的寬度等)
1) turtle.pensize()：設置畫筆的寬度；
2) turtle.pencolor()：沒有參數傳入，返回當前畫筆顏色，傳入參數設置畫筆顏色，可以是字元串如"green", "red",也可以是RGB 3元組。
3) turtle.speed(speed)：設置畫筆移動速度，畫筆繪制的速度范圍[0,10]整數，數字越大越快。
2.3 繪圖命令
操縱海龜繪圖有著許多的命令，這些命令可以劃分為3種：一種為運動命令，一種為畫筆控制命令，還有一種是全局控制命令。
(1) 畫筆運動命令
(2) 畫筆控制命令
(3) 全局控制命令
(4) 其他命令
3. 命令詳解
3.1 turtle.circle(radius, extent=None, steps=None)
描述：以給定半徑畫圓
參數：
radius(半徑)：半徑為正(負)，表示圓心在畫筆的左邊(右邊)畫圓；
extent(弧度) (optional)；
steps (optional) (做半徑為radius的圓的內切正多邊形，多邊形邊數為steps)。
舉例:
circle(50) # 整圓;
circle(50,steps=3) # 三角形;
circle(120, 180) # 半圓
實例：
1、太陽花
2、五角星
3、時鍾程序
5. python抓取網頁時是如何處理驗證碼的
python抓取網頁時是如何處理驗證碼的？下面給大家介紹幾種方法：
1、輸入式驗證碼
這種驗證碼主要是通過用戶輸入圖片中的字母、數字、漢字等進行驗證。如下圖：
解決思路：這種是最簡單的一種，只要識別出裡面的內容，然後填入到輸入框中即可。這種識別技術叫OCR，這里我們推薦使用Python的第三方庫，tesserocr。對於沒有什麼背影影響的驗證碼如圖2，直接通過這個庫來識別就可以。但是對於有嘈雜的背景的驗證碼這種，直接識別識別率會很低，遇到這種我們就得需要先處理一下圖片，先對圖片進行灰度化，然後再進行二值化，再去識別，這樣識別率會大大提高。
相關推薦：《Python入門教程》
2、滑動式驗證碼
這種是將備選碎片直線滑動到正確的位置，如下圖：
解決思路：對於這種驗證碼就比較復雜一點，但也是有相應的辦法。我們直接想到的就是模擬人去拖動驗證碼的行為，點擊按鈕，然後看到了缺口的位置，最後把拼圖拖到缺口位置處完成驗證。
第一步：點擊按鈕。然後我們發現，在你沒有點擊按鈕的時候那個缺口和拼圖是沒有出現的，點擊後才出現，這為我們找到缺口的位置提供了靈感。
第二步：拖到缺口位置。
我們知道拼圖應該拖到缺口處，但是這個距離如果用數值來表示？
通過我們第一步觀察到的現象，我們可以找到缺口的位置。這里我們可以比較兩張圖的像素，設置一個基準值，如果某個位置的差值超過了基準值，那我們就找到了這兩張圖片不一樣的位置，當然我們是從那塊拼圖的右側開始並且從左到右，找到第一個不一樣的位置時就結束，這是的位置應該是缺口的left，所以我們使用selenium拖到這個位置即可。
這里還有個疑問就是如何能自動的保存這兩張圖？
這里我們可以先找到這個標簽，然後獲取它的location和size，然後 top，bottom，left，right = location['y'] ,location['y']+size['height']+ location['x'] + size['width'] ,然後截圖，最後摳圖填入這四個位置就行。
具體的使用可以查看selenium文檔，點擊按鈕前摳張圖，點擊後再摳張圖。最後拖動的時候要需要模擬人的行為，先加速然後減速。因為這種驗證碼有行為特徵檢測，人是不可能做到一直勻速的，否則它就判定為是機器在拖動，這樣就無法通過驗證了。
3、點擊式的圖文驗證和圖標選擇
圖文驗證：通過文字提醒用戶點擊圖中相同字的位置進行驗證。
圖標選擇： 給出一組圖片，按要求點擊其中一張或者多張。借用萬物識別的難度阻擋機器。
這兩種原理相似，只不過是一個是給出文字，點擊圖片中的文字，一個是給出圖片，點出內容相同的圖片。
這兩種沒有特別好的方法，只能藉助第三方識別介面來識別出相同的內容，推薦一個超級鷹，把驗證碼發過去，會返回相應的點擊坐標。
然後再使用selenium模擬點擊即可。具體怎麼獲取圖片和上面方法一樣。
4、宮格驗證碼
這種就很棘手，每一次出現的都不一樣，但是也會出現一樣的。而且拖動順序都不一樣。
但是我們發現不一樣的驗證碼個數是有限的，這里採用模版匹配的方法。我覺得就好像暴力枚舉，把所有出現的驗證碼保存下來，然後挑出不一樣的驗證碼，按照拖動順序命名，我們從左到右上下到下，設為1，2，3，4。上圖的滑動順序為4，3，2，1，所以我們命名4_3_2_1.png，這里得手動搞。當驗證碼出現的時候，用我們保存的圖片一一枚舉，與出現這種比較像素，方法見上面。如果匹配上了，拖動順序就為4，3，2，1。然後使用selenium模擬即可。
6. Python OpenCV 霍夫（Hough Transform）直線變換檢測原理，圖像處理第 33 篇博客
霍夫變換（Hough Transform）是圖像處理領域中，從圖像中識別幾何形狀的基本方法之一。主要識別具有某些相同特徵的幾何形狀，例如直線，圓形，本篇博客的目標就是從黑白圖像中識別出直線。
翻閱霍夫直線變換的原理時候，橡皮擦覺得原理部分需要先略過，否則很容易在這個地方陷進去，但是問題來了，這個原理略過了，直接應用函數，裡面有些參數竟然看不懂。例如極坐標，角度掃描范圍，這種函數就屬於繞不過去的知識點了，所以本文轉移方向，死磕原理，下面的博文將語無倫次的為你展示如何學習原理知識。
因為數學知識的貧乏，所以在學習階段會涉及到很多基礎概念的學習，一起來吧。
首先找到相對官方的資料，打開該 地址
下面是一個數學小白對原理的學習經驗。
教材說：眾所周知，一條直線在圖像二維空間可由兩個變數表示。
抱歉，小白還真不知道……即使學習過，這些年也早已經還給老師了。
一開始難道要學習笛卡爾坐標系，不，你低估小白的能力了，我第一個查詢的是 θ 讀作 西塔 ，是一個希臘字母。
什麼是笛卡爾坐標系？
這個比較簡單，直角坐標系。
斜率和截距
斜率，亦稱「角系數」，表示一條直線相對於橫坐標軸的傾斜程度。
一條直線與某平面直角坐標系橫坐標軸正半軸方向的夾角的正切值即該直線相對於該坐標系的斜率。
如果直線與 x 軸互相垂直，直角的正切直無窮大，故此直線不存在斜率。
對於一次函數 y=kx+b ， k 就是該函數圖像的斜率。
在學習的時候，也學到如下內容：
截距：對 x 的截距就是 y=0 時， x 的值，對 y 的截距就是 x=0 時， y 的值，
截距就是直線與坐標軸的交點的橫（縱）坐標。 x 截距為 a ， y 截距 b ，截距式就是： x/a+y/b=1（a≠0且b≠0） 。
斜率：對於任意函數上任意一點，其斜率等於其切線與 x 軸正方向所成的角，即 k=tanα 。 ax+by+c=0中，k=-a/b 。
什麼是極坐標系？
關於極坐標系，打開 網路 學習一下即可。
重點學到下面這個結論就行：
找資料的時候，發現一個解釋的比較清楚的 博客 ，後續可以繼續學習使用。
繼續閱讀資料，看到如下所示的圖，這個圖也出現在了很多解釋原理的博客裡面，但是圖下面寫了一句話
在這里直接蒙掉了，怎麼就表示成極坐標系了？上面這個公式依舊是笛卡爾坐標系表示直線的方式呀，只是把 k 和 b 的值給替換掉了。
為何是這樣的，具體原因可以參照下圖。
<center>chou 圖</center>
繼續尋找關於霍夫變換的資料，找到一個新的概念 霍夫空間 。
在笛卡爾坐標系中，一條直線可以用公式 表示，其中 k 和 b 是參數，表示的是斜率和截距。
接下來將方程改寫為 ，這時就建立了一個基於 k - b 的笛卡爾坐標系。
此時這個新的方程在 k - b 坐標系也有一個新的直線。
你可以在紙上畫出這兩個方程對應的線和點，如下圖所示即可。
<center>chou 圖</center>
新的 k - b 坐標系就叫做霍夫空間，這時得到一個結論，圖像空間 x - y 中的點 對應了 霍夫空間 k - b 中的一條直線 ，即圖像空間的點與霍夫空間的直線發生了對應關系。
如果在圖像空間 x - y 中在增加一個點 ，那相應的該點在霍夫空間也會產生相同的點與線的對應關系，並且 A 點與 B 點產生的直線會在霍夫空間相交於一個點。而這個點的坐標值 就是直線 AB 的參數。
如果到這里你掌握了，這個性質就為我們解決直線檢測提供了方法，只需要把圖像空間的直線對應到霍夫空間的點，然後統計交點就可以達到目的，例如圖像空間中有 3 條直線，那對應到霍夫空間就會有 3 個峰值點。
遍歷圖像空間中的所有點，將點轉換到霍夫空間，形成大量直線，然後統計出直線交會的點，每個點的坐標都是圖像空間直線方程參數，這時就能得到圖像空間的直線了。
上述的內容沒有問題，但是存在一種情況是，當直線趨近於垂直時，斜率 k 會趨近於無窮大，這時就沒有辦法轉換了，解決辦法是使用法線來表示直線。
上文提及的斜截式如下：
通過第二個公式，可以得到下述公式：
此時，我們可以帶入一些數值進行轉換。
圖像空間有如下的幾個點：
轉換後的函數，都可以在霍夫空間 θ - ρ （橫坐標是 θ ，縱坐標是 ρ ）進行表示。
原理這時就比較清晰了：
除了一些數學知識以外，經典的博客我們也有必要記錄一下，方便後面學習的時候，進行復盤。
本部分用於記錄本文中提及的相關數學原理，後續還要逐步埋坑。
今天涉及了一點點數學知識，能力限制，大家一起學習，有錯誤的地方，可以在評論區指出，不勝感激。
希望今天的 1 個小時（今天內容有點多，不一定可以看完），你有所收獲，我們下篇博客見~
相關閱讀
技術專欄
逗趣程序員
7. python如何識別驗證碼
我們首先識別最簡單的一種驗證碼，即圖形驗證碼。這種驗證碼最早出現，現在也很常見，一般由4位字母或者數字組成。例如，中國知網的注冊頁面有類似的驗證碼，頁面如下所示：
表單中最後一項就是圖形驗證碼，我們必須完全正確輸入圖中的字元才可以完成注冊。
更多有關驗證碼的知識，可以參考這些文章：
Python3爬蟲進階：識別圖形驗證碼
Python3爬蟲進階：識別極驗滑動驗證碼
Python3爬蟲進階：識別點觸點選驗證碼
Python3爬蟲進階：識別微博宮格驗證碼
·本節目標以知網的驗證碼為例，講解利用OCR技術識別圖形驗證碼的方法。
·准備工作識別圖形驗證碼需要庫tesserocr，以mac安裝為例：在mac下，我們首先使用Homebrew安裝ImageMagick和tesseract庫： brew install imagemagickbrew install tesseract 接下來再安裝tesserocr即可：pip3 install tesserocr pillow這樣我們就完成了 tesserocr的安裝。
·獲取驗證碼為了便於實驗，我們先將驗證碼的圖片保存到本地。打開開發者工具，找到驗證碼元素。驗證碼元素是一張圖片，它的ser屬 性是CheckCode.aspk。所以我們直接打開如下鏈接就可以看到一個驗證碼，右鍵保存即可，將其命名為code.jpg：
這樣我們就得到一張驗證碼圖片，以供測試識別使用。
相關推薦：《Python教程》
識別測試
接下來新建一個項目，將驗證碼圖片放到項目根目錄下，用tesserocr庫識別該驗證碼，代碼如下所示：
這里我們新建了一個Image對戲那個，調用了tesserocr的image_to_text( )方法。傳入該Image對象即可完成識別，實現過程非常簡單，結果如下：
我們可以看到，識別的結果和實際結果有偏差，這是因為驗證碼內的多餘線條干擾了圖片的識別。
另外，tesserocr還有一個更加簡單的方法，這個方法可以直接將圖片文件轉為字元串，代碼如下：
不過這種方法的識別效果不如上一種的好。
驗證碼處理
對於上面的圖片，我們可以看到其實並沒有完全識別正確，所以我們需要對圖像作進一步的處理，如灰度轉換、二值化等操作。
我們可以利用Image對象的convert( )方法參數傳入L，即可將圖片轉化為灰度圖像，代碼如下：
傳入1即可將圖片進行二值化處理，如下所示：
我們還可以指定二值化的閾值。上面的方法採用的是默認閾值127。不過我們不能直接轉化原圖，要將原圖先轉化為灰度圖像，然後再指定二值化閾值，代碼如下：
在這里，變數threshold代表二值化閾值，閾值設置為160，之後我們來看看我們的結果：
我們可以看到現在的二維碼就比較方便我們進行識別了；那麼對於一些有干擾的圖片，我們做一些灰度和二值化處理，這會提高圖片識別的正確率。
8. python怎麼識別圖片中每個線的基本形狀
輪廓搜索
Cv2的方法。findContours用於查找輪廓。代碼示例如下:
Cr、t = cv2。cv2 findContours (b。retr_tree cv2.chain_approx_simple) #
第三個參數定義了輪廓的近似方式
在上述函數的參數中，第一個參數是二值化矩陣，第二個參數是獲得輪廓的方式，第三個參數是定義輪廓的近似方式。
搜索大綱
Cv2方法。FindContours用於查找contours。代碼示例如下:
Cr t等於cv2。Cv2 findContours (b. retr_tree Cv2 .chain_approx_simple) #
第三個參數定義了輪廓的近似方式
上述函數的參數中，第一個參數是二值化矩陣，第二個參數是獲取輪廓的方式，第三個參數是定義輪廓的近似方式。