Python爬虫总结

Chapter 13 tesseract库和验证码识别

   将图片翻译成文字的技术一般称为光学文字识别（Optical Character Recongnition），简称OCR。这里介绍一个比较优秀的开源库：Tesseract。

官方下载：https://digi.bib.uni-mannheim.de/tesseract/?C=M;O=A

13.1 环境变量配置

  下载完成后，想要在命令行中使用tesseract，需要设置环境变量，mac和linux是设置好了的。在win下，把tesseract.exe所在的路径（一般为安装目录）添加到PATH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，添加一个变量TESSERACT_PREFIX = 你的路径。

13.2 在命令行中使用tesseract识别图像

tesseract 图片路径 文件路径

如果想要识别除英文其他语言的图片，可以在https://github.com/tesseract-ocr/的langdata_lstm中下载训练好的模型并拷到tessdata中

13.3 在python代码中时候用tesseract识别图像

首先需要两个库：

 pip install pytesseract
 pip install PIL

使用pytesseract示例如下：

import pytesseract
from PIL import Image