OCR识别验证码

介绍：爬虫过程中，经常难免的会遇到各种各样的验证码，对于图形类验证码，我们可以用OCR(Optical Character Recognition ---光学字符识别)来识别.

---

• 安装tesseract

下载地址：https://digi.bib.uni-mannheim.de/tesseract/

上面文件名中，带dev的为开发版本，不带dev的为稳定版本，我们选择不带dev的版本，即tesseract-ocr-setup-3.05.01.exe

安装过程中记得勾选Additional language data，以便使OCR可以识别多国语言。

 

• 配置环境变量

      安装完成后：

1. 将Tesseract-OCR的路径添加到系统变量path中。如：
2. 在环境变量中，增加一个变量名为TESSDATA_PREFIX，变量值为Tesseract-OCR路径的系统变量

 

• 验证安装成果

结果如图： 

 

 

1.  进入管理员命令提示符，键入tesseract       
2. 将路径定位到验证码所在的目录路径（我的验证码图片路径在D盘下），键入tesseract image.png filename -l eng

          验证码图片： 

 

 (第一个参数为图片名称，第二个filename为结果保存的目标文件名，-l指定使用的语言包，在此我们使用英文（eng))

 

 结果：在验证码所在路径会生成一个txt文件

内容： 

 

---

 使用python代码测试：

• 以pip方式安装tesseroce:在我个人电脑中直接pip3 install tesserocr是行不通的,对此需要在https://github.com/simonflueckiger/tesserocr-windows_build/releases中下载相应的whl文件，在此我们下载的是支持64位的tesserocr-2.3.1-cp37-cp37m-win_amd64.whl文件，在终端进入whl文件所在的目录，pip3 install tesserocr-2.3.1-cp37-cp37m-win_amd64.whl即可
• 由于我们处理的是图像，所以也需要安装pillow库（python中一个强大的图像处理库），可按上面相似步骤操作，可直接pip3 install pillow      也可以pip相应的whl文件
• 将Tesseract-OCR文件中的tessdata文件复制到python路径中（重启电脑不知道是不是必须的，反正我是重启后才可以用）

 

• python代码测试：

  import tesserocr
  from PIL import Image #pyton2版本的PIL库实际上已经被淘汰，不过安装了pillow库后，依然可以使用
  image=Image.open('D:\image.png')
  print(tesserocr.image_to_text(image))

  运行结果：