在python爬虫时,可能会遇到需要抓取验证码,识别图片中的文字等,这个时候需要对图片验证码进行识别。
一、安装模块
pip install pytesseract
pip install pillow
yum -y install tesseract-ocr
备注:windows中tesseract-ocr 下载地址请点击 ,安装步骤就是点击下一步下一步
二、对验证码识别
#!/usr/bin/env python
#-*- coding:utf-8 -*-
import pytesseract
from PIL import Image
image = Image.open('code.png')
#设置 tesseract 安装路径
pytesseract.pytesseract.tesseract_cmd = r"D:\pytesseract\Tesseract-OCR\tesseract.exe" #这个是python3的写法
code = pytesseract.image_to_string(image)
print(code)
三、效果展示
四、tesseract识别中文
1、首先从 git 上下载对应的简体中文
https://github.com/tesseract-ocr/langdata/tree/master/chi_sim
2、在 D:\pytesseract\Tesseract-OCR 安装目录下新建任意目录,比如 tessdata,把下载好的数据放到改目录下,且把该目录加入到配环境变量PATH中。
3、测试
#查看所能识别的字体
tesseract --list-langs
#对图片识别
tesseract c.png c -l chi_sim #就会将 c.png 识别到的图片信息保存到 c.txt 中