Python爬虫课--第十一节 图形验证码识别--没看完--重新看

1 Tesseract安装以及简介

阻碍我们爬⾍的。有时候正是在登录或者请求⼀些数据时候的图形验证码。因此这⾥我们讲解⼀种能将图⽚翻译成⽂字的技术。将图⽚翻译成⽂字⼀般被称为光学⽂字识别（Optical Character Recognition），简写为OCR。实现OCR的库不是很多，特别是开源的。因为这块存在⼀定的技术壁垒（需要⼤量的数据、算法、机器学习、深度学习知识等），并且如果做好了具有很⾼的商业价值。因此开源的⽐较少。这⾥介绍⼀个⽐较优秀的图像识别开源库：Tesseract。

• Tesseract是⼀个将图像翻译成⽂字的OCR(光学⽂字识别,Optical Character Recognition),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
• Windows系统安装 在以下链接下载可执⾏⽂件
  https://github.com/tesseract-ocr/
  在Python中调⽤Tesseract:

1 pip install pytesseract

推荐换元安装
方法

pip默认是从Python官网下载第三方库，从国外下载当然不如从国内下载来得快

 

豆瓣：https://pypi.doubanio.com/simple

还有其它源，阿里云等等，一个就够用了

 

用pip安装库时，在后面加上 -i 表示换源，然后输入地址就可以了

 

pip install pytesseract -i https://pypi.doubanio.com/simple

• 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=D:\Tesseract-OCR\tessdata

进⼊cmd输⼊下⾯的命令查看版本，正常运⾏则安装成功

tesseract --version

• 在命令⾏中使⽤tesseract
  tesseract 图⽚路径 ⽂件路径

tesseract demo.png a

识别中⽂图像,需要下载语⾔安装包
URL地址：https://github.com/tesseract-ocr/tessdat

2 在代码中使⽤tesseract识别图像

PIL(Python Image Library) 图形处理库 目前停止更新了
Pillow 图形处理库 兼容 PIL的大多数用法

3 ⽤pytesseract处理图形验证码