文章目录
OCR图形识别技术:
阻碍我们爬虫的。有时候正是在登录或者请求一些数据时候的图形验证码。因此这里考虑一种能将图片翻译成文字的技术。将图片翻译成文字一般被成为光学文字识别(Optical Character Recognition),简写为OCR
。实现OCR
的库不是很多,特别是开源的。因为这块存在一定的技术壁垒(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:
Tesseract是一个OCR库,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具有一定的识别度,也具有很高的灵活性,他可以通过训练识别任何字体。
安装:
Windows系统:
在以下链接下载可执行文件,然后一顿点击下一步安装即可(放在不需要权限的纯英文路径下):
https://github.com/tesseract-ocr/
Linux系统:
可以在以下链接下载源码自行编译。
https://github.com/tesseract-ocr/tesseract/wiki/Compiling
或者在ubuntu
下通过以下命令进行安装:
sudo apt install tesseract-ocr
Mac系统:
用Homebrew
即可方便安装:
brew install tesseract
设置环境变量:
安装完成后,如果想