Python 图形验证码库 tesserocr | 臭大佬

用途

对于验证码，我们可以使用OCR技术来将其转化为电子文本，然后爬虫将识别结果提交给服务器，便可以达到自动识别验证码的过程。

概念

OCR

OCR,全称叫 Optical Character Recognition，中文翻译叫光学字符识别，是指通过扫描字符，通过其形状将其翻译成电子文本的过程；

tesseract

tesseract是google开源的OCR

安装

WIN10

tesserocr需要安装tessoract依赖库，所以安装tesserocr前需要安装tessoract。
tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/，（可能需要爬墙哦）

然后安装到这一步注意要勾选这一项来安装OCR识别支持的语言包，这样OCR就可以识别多国语言，然后就可以一直点击下一步完成安装。

如何验证tesseract是否安装成功？直接cmd下输入tesseract即可；

如果提示’tesseract’ 不是内部或外部命令，则是因为没有配置环境变量，手动把tesseract根目录配置到path参数下即可

重启cmd控制台，再次输入tesseract；

安装 tesserocr

windows不能用pip install tesserocr所以我这里是安装.whl文件，下载地址：https://github.com/simonflueckiger/tesserocr-windows_build/releases

把下载好的xxx.whl文件放在python安装目录下的\Lib\site-packages文件夹里面，进入该目录下，然后在这里打开cmd，输入命令pip install xxx.whl

pip install tesserocr-2.4.0-cp36-cp36m-win_amd64.whl

在运行过程中，我们还需要更新pip

pip install --upgrade pip

运行代码

import tesserocr
from PIL import Image
# 新建Image对象
image = Image.open("./code_img/veriCode (1).do")
# 进行置灰处理
image = image.convert('L')
# 这个是二值化阈值
threshold = 150
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
# 通过表格转换成二进制图片，1的作用是白色，不然就全部黑色了
image = image.point(table, "1")
#image.show()
result = tesserocr.image_to_text(image)
print(result)

运行时有一个报错信息

RuntimeError: Failed to init API, possibly an invalid tessdata path: D:\Program Files\Anaconda3\envs\tensorflow\/tessdata/

只要把刚才安装的tesseract下面的tessdata文件夹复制到python的安装路径里（与lib文件夹同级）,也就是报错报的地址处。

再次执行：

可以获取得到验证码内容了。