Python爬虫教程-29-验证码识别-Tesseract-OCR

最新推荐文章于 2024-08-07 07:15:00 发布

肖朋伟

最新推荐文章于 2024-08-07 07:15:00 发布

阅读量1.4w

点赞数 2

分类专栏： # Python 爬虫

本文链接：https://blog.csdn.net/qq_40147863/article/details/82285618

版权

Python 爬虫专栏收录该内容

40 篇文章 59 订阅

订阅专栏

本篇是关于验证码识别问题，也是Python爬虫笔记的一个结尾，使用 Tesseract

Python爬虫教程-29-验证码识别-Tesseract-OCR

常见反爬虫手段：
- 验证码
  - 1.简单图片，扭曲数字验证码
  - 2.中文顺序点击
  - 3.动态验证码
  - 4.滑动验证：滑动小方块到缺口
  - 5.语音验证
  - 6.极验验证：官网：http://www.geetest.com/
    根据鼠标轨迹，判定是机器人还是用户，很强大的验证机制
对于极验是很厉害的拦截机器人手段，好像是使用人工智能机器学习，当然自己想做验证的话建议使用。对于验证有反爬虫，就有可能有反反爬虫

爬虫-验证码识别

通用方法：
- 1.下载网页和验证码，或截图
- 2.然后手动输入验证码
对于简单图片
- 1.使用图像识别软件或者文字识别软件
- 2.可以使用第三方图像验证码破解网站
  - 比如：超级鹰：http://www.chaojiying.com/
对于极验，官网：http://www.geetest.com/
- 可以模拟鼠标移动，具体的方法我还不清楚

通用方法案例

能力有限，这里就介绍通用方法，先下载得到验证图片，然后手动输入
Tesseract
- 机器视觉领域的基础软件
- OCR：OpticalChracterRecognition，光学文字识别
- Tesseract：是一个 OCR 库，由 Google 赞助

Tesseract-Windows的安装

Tesseract Windows安装包下载：https://digi.bib.uni-mannheim.de/tesseract/
上面链接看着头疼就下我的网盘里的：
- 链接：https://pan.baidu.com/s/13KRXi-2FCkA9_6MBQ_wxeg 密码：gtp1
安装的话就默认安装就好，如果选中那个在线安装包，会很慢，耐心等下
路径最好不要更改，除非熟练掌握环境变量

Tesseract-macOS的安装

我也没有 MacBook，老师顺口一说，记下了
brew install tesseract

Tesseract-Linux的安装

我这里是 Ubuntu 18 其他 Linux 版本不确定，进入管理员用户
apt-get install tesseract-ocr

python使用tesseract的工具 pytesseract 的安装

如果使用的是 Anaconda 环境：
- 进入当前环境：(我的环境名为learn，如果只有一个base环境，忽略此步)
  
  activate learn
- 安装 pytesseract
  
  pip install pytesseract
- 操作截图
首先说一下，conda 是没有这个包的，也就不能使用 conda install，也不能直接在 Pycharm 里找到，只有使用 pip 安装，然后需要注意的就是，要使用你在 Pycharm 使用的那个环境进行安装

识别验证码案例

注意：此代码路径是，在图片和代码在同一目录
图片截图：
代码 py30pytess.py 文件：

import pytesseract as pt

from PIL import Image

# 生成图片实例
image = Image.open('timg.jpg')

# 调用 pytesseract 识别图片文字
text = pt.image_to_string(image)

print(text)