Tesseract安装以及简介
阻碍我们爬虫的。有时候正是在登陆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。将图书翻译成文字一般被称为光学文字识别(Optical Charater Recognition),简写OCR。实现OCR的库不是很多,特别是开源的。因为这块存在一个技术壁垒(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 在一下链接下载可执行文件,https://github.com/tesseract-ocr/
在python中调用Tesseract:
pip install pytesseract
设置环境变量
安装完成后,如果想在命令行中使用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所在的路径添加到PATH环境变量中。在环境变量中,添加一个
TESSDATA_PREFIX=D:\T;esseract-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
在代码中使用tesseract识别图像
import pytesseract
from PIL import Image
pytesseract.pytesseract.tesseract_cmd = r'D:\Tesseract-OCR\tesseract.exe'
tessdata_dir_config = r'--tessdata-dir "D:\Tesseract-OCR\tessdata"'
image = Image.open('demo.png')
print(pytesseract.image_to_string(image, lang='eng', config=tessdata_dir_config))
用pytessract处理图像验证码
验证码URL:
https://passport.lagou.com/vcode/create?from=register&refresh=1513081451891
打码云平台
import json
import requests
import base64
from io import BytesIO
from PIL import Image
from sys import version_info
def base64_api(uname, pwd, img):
img = img.convert('RGB')
buffered = BytesIO()
img.save(buffered, format="JPEG")
if version_info.major >= 3:
b64 = str(base64.b64encode(buffered.getvalue()), encoding='utf-8')
else:
b64 = str(base64.b64encode(buffered.getvalue()))
data = {"username": uname, "password": pwd, "image": b64}
result = json.loads(requests.post("http://api.ttshitu.com/base64", json=data).text)
if result['success']:
return result["data"]["result"]
else:
return result["message"]
return ""
if __name__ == "__main__":
img_path = "captcha.png"
img = Image.open(img_path)
result = base64_api(uname='', pwd='', img=img)
print(result)