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