利用Tesseract来识别验证码

概述

我们在写爬虫脚本时，经常会遇到验证码阻碍我们的道路。特别是这个网站的资料又非常重要，所以不得不研究一下怎么让机器自动识别。对于一些不太复杂的验证码，我们可以直接用现成的开源引擎Tesseract识别。

如下面的图片，数字还是很清晰，也没有什么偏转，字母粘连也不是很严重。在实际测试中，基本50%以上的验证码可以一次通过。

---

Tesseract就是开源引擎里的执牛耳项目。起源于惠普实验室并在1984-1994年间大力发展的Tesseract，曾一度可与商业OCR软件比肩。2005年，HP在GoogleCode上将Tesseract开源，2006年开始由谷歌赞助，并由Ray Smith负责该项目。

Tesseract支持的语言非常多，每种语言有相应的语言包可以下载。但是从中文的情况来看，貌似效果不是太好，识别率几乎不可商用。相关论文中提到中文的准确率在95%以上，不知道实际的测试样本是怎么样的。英文准确率还不错，可以直接拿来用。这也是为什么这篇文章只能用于简单的中英文验证码。

---

Tesseract 环境搭建

在Ubuntu下，你可以直接用 sudo apt-get install tesseract 来安装。也可以按照这里的步骤编译安装。【tesseract compiling】语言包一般放在 /usr/local/share/tessdata 或者 /usr/share/tessdata 中