python爬虫之图片验证码识别

将图片翻译成文字的技术被称为光学文字识别,即OCR(Optical Character Recognition)技术

• Tesseract 是有谷歌赞助的，目前公认最优秀、最准确的开源OCR库
• 安装
  • 下载exe文件，https://digi.bib.uni-mannheim.de/tesseract/，目前最新版本为 tesseract-ocr-w64-setup-v5.0.0-alpha.20201127.exe
  • 下载数据集：链接：https://pan.baidu.com/s/1HQTtLEKAJeF5KT4JcwYHMg
    提取码：apoj
  • 保险起见，尽量降低文件路径深度，并且路径尽量不要含有中文，可参照D:\Tesseract-OCR\tesseract.exe, D:\Tesseract-OCR\tessdata
  • 设置环境变量，如果想要在命令号中使用：将tesseract.exe所在路径添加到PATH环境变量中。同时将训练的数据文件路径也放到环境变量中，如图，在环境变量中添加TESSDATA_PREFIX=tessdata路径
    
• 检查安装是否成功：cmd 输入命令tesseract --version,如果显示版本即安装成功
• 使用
  • 命令行
    • tesseract 图片路径 文件路径
    • 实例 tesseract demo.jpg file1
  • python
    • pip install pytesseract -i https://pypi.douban.com/simple

  import pytesseract
  from PIL import Image
  
  pytesseract.pytesseract.tesseract_cmd = r'D:\Tesseract-OCR\tesseract.exe'
  tessdata_dir_config = r'--tesseract-dir "D:\Tesseract-OCR\tessdata"'
  image = Image.open('bb.png')
  print(pytesseract.image_to_string(image, lang='eng', config=tessdata_dir_config))
  

  最后再说明 一下，这个识别率高是相对于开源的OCR库来说，咳咳，毕竟不要钱嘛，如果对识别率较高可以使用打码云平台来识别，要花点小钱哈。