cmd无法识别javac命令_Python3爬虫10：Tesseract 图像识别

---

“人生苦短，快用Python”

---

在爬虫过程中，经常会遇到各种验证码，如：图形验证码、极验滑动验证码、点触验证码、微博宫格验证码等；这时，可以利用OCR技术识别图形验证码进行验证。OCR，即Optical Character Recognition，是指光学字符识别，通过扫描字符将其形状翻译成电子文本。在Python3中，可以通过pytesseract库调用Tesseract-OCR使用OCR技术识别图形验证码。

一、安装 Tesseract-OCR

安装：在网站 https://digi.bib.uni-mannheim.de/tesseract/ 下载Tesseract-OCR安装包，如：tesseract-ocr-w64-setup-v5.0.0.20190623.exe，双击执行默认安装。在网站 https://github.com/tesseract-ocr/tessdata 下载tessdata语言包，如：tessdata-master.zip，解压缩后将所有文件复制到Tesseract-OCR安装路径下的tessdata文件夹中。 配置：

• 将Tesseract-OCR的安装路径添加到系统环境变量Path中。

• 添加新的环境变量，变量名为TESSDATA_PREFIX，值为Tesseract-OCR安装路径下的tessdata子文件夹路径。

测试：

• 在cmd下执行命令：tesseract --version，显示如下结果，则表示Tesseract-OCR安装配置成功。

• 在cmd下执行命令：tesseract --list-langs，显示如下结果，则表示tessdata语言包配置成功，chi_sim表示简体中文。

二、安装 pytesseract

通过pip包管理器安装tesseract的python绑定库pytesseract，同时，会自动安装pytesseract的图像处理依赖Pillow库。安装命令：

pip install pytesseract
pip install pillow

---

测试图片：

---

测试代码：

import pytesseract
from PIL import Image

image = Image.open("1.jpg")
text = pytesseract.image_to_string(image, lang='chi_sim')  
print(text)

---

运行报错：

pytesseract.pytesseract.TesseractNotFoundError: 
tesseract is not installed or it's not in your PATH.
See README file for more information.

解决方法：将pytesseract安装路径下的pytesseract.py文件中的行：

tesseract_cmd = 'tesseract' 修改为tesseract可执行文件的真实路径：如

tesseract_cmd = 'D:/ProgramFiles/Tesseract-OCR/tesseract.exe'

运行结果：

---

• pytesseract 的常用方法

pytesseract.image_to_alto_xml()
pytesseract.image_to_boxes()
pytesseract.image_to_data()
pytesseract.image_to_osd()
pytesseract.image_to_pdf_or_hocr()
pytesseract.image_to_string()

---

Talk is cheap.

Show me the code.

---