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