Python tesserocr模块使用示例

最新推荐文章于 2024-08-10 07:31:51 发布

公众号菜鸟童靴

最新推荐文章于 2024-08-10 07:31:51 发布

阅读量470

点赞数

分类专栏：技术杂谈文章标签： tesseract ocr 验证码识别

本文链接：https://blog.csdn.net/BigBoy_Coder/article/details/103177225

版权

技术杂谈专栏收录该内容

13 篇文章 0 订阅

订阅专栏

安装tesseract

OCR，即Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。

tesseract下载地址：

https://digi.bib.uni-mannheim.de/tesseract/

进入下载页面，可以看到有各种.exe文件的下载列表，这里可以选择最新下载5.0版本。

其中文件名中带有dev的为开发版本，不带dev的为稳定版本，可以选择下载不带dev的版本，例如可以选择下载箭头指向的3.05exe。

下载完成后双击，此时会出现如下图所示的页面。

此时可以勾选Additional language data(download)选项来安装OCR识别支持的语言包，这样OCR便可以识别多国语言。然后一路点击Next按钮即可。

接下来，为了在python代码中使用tesseract功能，

tesserocr 下载地址:https://github.com/simonflueckiger/tesserocr-windows_build/releases

在这里插入图片描述
所以我们这里选择下载 tesserocr v2.3.1 和 tesseract 3.05.02。

安装 tesseract 可以比较简单，我们介绍一下关于 tesserocr 的安装过程。
比如说：
在这里插入图片描述
把下载下来的 tesserocr 安装包放在 python 安装路径里，在该目录下打开 dos 窗口。

运行 pip3 install tesserocr-2.3.1-cp37-cp37m-win_amd64.whl 即可成功。

2、配置环境变量

为了在全局使用方便，比如安装路径为D:\Program Files (x86)\Tesseract-OCR，将该路径添加到环境变量的path中

3.代码案例

以中国知网的注册页面为例，我们常被要求输入这类简单的字母组成，背景含很多杂线的验证码，如下图所示：

我们对验证码另存为到本地代码所在目录，取名：test.png.

下图是直接用对应模块识别的代码示例：

import tesserocr

from PIL import Image

image=Image.open('test.png')

image.show() #可以打印出图片，供预览

print(tesserocr.image_to_text(image))

　　原始图片尺寸较小，极少情况下如果无法正常识别，可以借助图片处理工具PIL模块进行图片等比例放大后保存。此例中直接运行上述代码，结果为“VHIHI”，即使是肉眼可见较为清晰的验证码，如果图片未经处理直接交由tesserocr解析，也可能识别率很低。

　　通常情况下，我们还需要做些额外的图片处理，如转灰度图，二值化等。

利用Image对应的convert()方法传参L，即可将图片转为灰度图。

image=image.convert('L')

image.show()

传入1即可完成二值化，如下：

image=image.convert('1')

image.show()

当然我们更多时候需要根据图片的实际情况指定二值化的阈值，比如我们将阈值设定为80，先转灰度图，再二值化，代码如下：

import tesserocr
from PIL import Image
image=Image.open('test.png')
image=image.convert("L")
threshold=80
table=[]
for i in range(256):
    if i <threshold:
        table.append(0)
    else:
        table.append(1)
image=image.point(table,'1')
image.show()
print(tesserocr.image_to_text(image))

观察到处理后图片如右：