python--tesseract

tesseract的介绍

我们爬虫会受到阻碍，其中一个便是我们在模拟登陆或者请求一些数据的时候，出现的图形验证码，因此我们需要一种能叫图形验证码识别成文本的技术。
将图片翻译成文字一般称为光学文字识别(optical character recognition)，简写为OCR
tesseract便是一个非常优秀的开源库，用来识别验证码

Tesseract是一个OCR库，目前由谷歌赞助。Tesseract是目前公认最优秀、最准确的开源OCR库。Tesseract具有很高的识别度，也具有很高的灵活性，他可以通过训练识别任何字体

安装：

Windows系统：

在以下链接下载可执行文件，然后一顿点击下一步安装即可（放在不需要权限的纯英文路径下）：
https://digi.bib.uni-mannheim.de/tesseract/

Linux系统：

可以在以下链接下载源码自行编译。
https://github.com/tesseract-ocr/tesseract/wiki/Compiling
或者在ubuntu下通过以下命令进行安装：

sudo apt install tesseract-ocr


Mac系统：

用Homebrew即可方便安装：

brew install tesseract

设置环境变量：

安装完成后，如果想要在命令行中使用Tesseract，那么应该设置环境变量。Mac和Linux在安装的时候就默认已经设置好了。在Windows下把tesseract.exe所在的路径添加到PATH环境变量中。

还有一个环境变量需要设置的是，要把训练的数据文件路径也放到环境变量中。
在环境变量中，添加一个TESSDATA_PREFIX=C:\path_to_tesseractdata\teseractdata

在命令行中使用tesseract识别图像：

如果想要在cmd下能够使用tesseract命令，那么需要把tesseract.exe所在的目录放到PATH环境变量中。然后使用命令：tesseract 图片路径 文件路径。
示例：

tesseract a.png a


那么就会识别出a.png中的图片，并且把文字写入到a.txt中。如果不想写入文件直接想显示在终端，那么不要加文件名就可以了

使用python代码识别

首先需要安装pytesseract，这个模块依赖pillow，直接pip安装pytesseract即可，会自动安装pillow，我们来识别一张验证码

import pytesseract
from PIL import Image

# 指定tesseract.exe所在的路径
pytesseract.pytesseract.tesseract_cmd = "C:\\Program Files (x86)\\Tesseract-OCR\\tesseract.exe"

# 使用pillow打开图片
im = Image.open(r"C:\Users\Administrator\Desktop\code.png")

# 直接调用image_to_string方法即可
text = pytesseract.image_to_string(im)
print(text)