图片识别

最新推荐文章于 2024-07-24 09:35:00 发布

懒狗不更新

最新推荐文章于 2024-07-24 09:35:00 发布

阅读量147

点赞数 1

分类专栏：新手文章标签： ocr

本文链接：https://blog.csdn.net/weixin_43648481/article/details/115960349

版权

新手专栏收录该内容

6 篇文章 0 订阅

订阅专栏

验证码识别

查看Tesseract-OCR支持语言

tesseract --list-langs

爬虫-识别图形验证码-tesserocr

引入：

在学习爬虫的过程中，需要解决识别图形验证码的这一难题，网上推荐的方法都是通过tesserocr模块来实现，下面就是安装步骤以及过程中遇到的问题，记录一下。

介绍：

tesserocr 是 Python 的一个 OCR 识别库，但其实是对 tesseract 做的一层 Python API 封装，所以它的核心是 tesseract。因此，在安装 tesserocr 之前，我们需要先安装 tesseract 。例如：对于下图的验证码，我们可以通过 OCR 技术将其转换成电子文本，然后爬虫将识别的结果提交给服务器，便可以达到自动识别验证码的过程。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WxlVl1lG-1618992506948)(G:\typora_pic\1174122-20191011095643510-531203807.png)]

我的环境：

OS：win10

python：3.6.5

安装

在 Windows 下，首先需要下载 tesseract，它为 tesserocr 提供了支持。

进入下载页面，可以看到有各种 .exe 文件的下载列表，这里可以选择下载 3.0 版本。如下图所示为 3.05 版本。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-w5KeDxbI-1618992506952)(G:\typora_pic\1174122-20191011095931839-1456046552.png)]

其中文件名中带有 dev 的为开发版本，不带 dev 的为稳定版本，可以选择下载不带 dev 的版本， 例如可以选择下载 tesseract-ocr-setup-3 .05.01.exe。

下载完成后双击运行，安装程序。需要注意的是，需要句选 Additional language data(download）选项来安装 OCR 识别支持的语言包，这样 OCR 便可以识别多国语言

给tesseract配置环境变量：

（1）将tesseract安装路径添加到path环境变量中

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1dqUFKIe-1618992506955)(G:\typora_pic\1174122-20191011103058318-226844714.png)]

（2）将tesseract的语言包添加到环境变量中，在环境变量中新建一个系统变量，变量名称为TESSDATA_PREFIX，tessdata是放置语言包的文件夹，一般在你安装tesseract的目录下，tesseract的安装目录就是tessdata的父目录，把TESSDATA_PREFIX的值设置为它即可

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8AE7Eo8A-1618992506958)(G:\typora_pic\1174122-20191011103156906-438913730.png)]

接下来，再安装 tesserocr ：

pip install tesserocr pillow

pip安装tesserocr时出错：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-dQbuPL51-1618992506962)(G:\typora_pic\1174122-20191011094704586-289448871.png)]

在命令行中输入：pip3 install tesserocr pillow ,一直出现error: Microsoft Visual C++ 14.0 is required. Get it with “Microsoft Visual C++ Build Tools”: http://landinghub.visualstudio.com/visual-cpp-build-tools错误。

解决办法：

用.whl文件下载tesserocr库，就不会出现这个问题，下载地址：

https://github.com/simonflueckiger/tesserocr-windows_build/releases
[

](https://github.com/simonflueckiger/tesserocr-windows_build/releases/tag/tesserocr-v2.2.2-tesseract-4.0.0-master)

我下载的是tesserocr-2.4.0-cp36-cp36m-win_amd64.whl，然后在命令行中输入：

pip install tesserocr-2.4.0-cp36-cp36m-win_amd64.whl

安装成功，问题解决

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-El2NI38W-1618992506964)(G:\typora_pic\1174122-20191011100547288-508865820.png)]

验证安装

测试样例：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hsNFnL05-1618992506966)(G:\typora_pic\1244179-20181011155114287-1627873882.png)]

图片下载：http://images.cnblogs.com/cnblogs_com/Jimc/1316973/o_image.png

（1）用 tesseract 命令测试：

tesseract test.png stdout -l eng

运行结果如下：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OZJFCmEV-1618992506969)(G:\typora_pic\1174122-20191011101952425-27427804.png)]

（2）利用 Python 代码测试：

[[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-VvljAjbC-1618992506970)(G:\typora_pic\copycode-1603674859145.gif)]](javascript:void(0)😉

Python 3.6.5 (v3.6.5:f59c0932b4, Mar 28 2018, 17:00:18) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import tesserocr
>>> from PIL import Image
>>> image = Image.open(r'C:\Users\Tianl\test.png')
>>> result = tesserocr.image_to_text(image)
>>> print(result)
PythonWebSpider

>>>

[ 复制代码 ](javascript:void(0)😉

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1wP8aHqe-1618992506973)(G:\typora_pic\1174122-20191011102603542-1163530815.png)]

另外，还可以直接调用 tesserocr 模块的 file_to_text() 方法，可以达到同样的效果：

[ 复制代码 ](javascript:void(0)😉

Python 3.6.5 (v3.6.5:f59c0932b4, Mar 28 2018, 17:00:18) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import tesserocr
>>> print(tesserocr.file_to_text(r'C:\Users\Tianl\test.png'))
PythonWebSpider

>>>

[ 复制代码 ](javascript:void(0)😉

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vUy95Vy8-1618992506977)(G:\typora_pic\1174122-20191011102816215-547401467.png)]

如果成功输出结果，则证明 tesseract 和 tesserocr 都已经安装成功，以上是安装以及简单使用。

pycharm中安装导入tesserocr

直接把上面通过pip安装好的文件夹拷贝到pycharm创建的项目的site-packages目录中即可使用

python爬虫学习（2）用tesserocr识别图像验证码

而验证码也分很多种类，主要的几种：

（1）图像验证码：这是最简单的一种，也很常见。就比如CSDN登录几次失败之后就会出验证码。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qyoS3XNY-1618992506978)(G:\typora_pic\20180730220950608.png)]

（2）滑块验证码：需要按住滑块并移到正确的位置。比如bilibili的登录验证。（这个我也写过识别代码，源码托管github：https://github.com/OSinoooO/bilibili_geetest。可以去看一看呀QAQ）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vneaFjDv-1618992506979)(G:\typora_pic\20180730221714582.png)]

（3）点触验证码：需要识别图片中的文字或类型并按序点击。比如12306的登录验证。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-VukxxAmb-1618992506979)(G:\typora_pic\20180730222200870.png)]

（4）宫格验证码：类似安卓的宫格解锁。比如新浪微博的宫格验证码。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kIP9w3b8-1618992506980)(G:\typora_pic\20180730222434517.png)]

准备工作

我们这次要识别的图像验证码，需要用到tesserocr库，但是安装tesserocr库之前，需要先安装好相应版本的tesseract。因为tesserocr是基于tesseract来封装的库。

安装tesseract

Github：https://github.com/tesseract-ocr/tesseract

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

语言包：https://github.com/tesseract-ocr/tessdata

官方文档：https://github.com/tesseract-ocr/tesseract/wiki

文件带dev的是开发版本，不带dev的是稳定版本。

选择需要的版本后开始下载，然后安装配置比较简单，就不多说了。语言包的作用就是可以识别多国语言，可在安装选项里选择，也可以自行下载。（下载后的语言包需要解压后放到Tesseract-OCR/tessdata目录下）

安装好之后打开cmd，输入tesseract，如果出现以下信息就说明安装成功。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3Hy3g1cr-1618992506981)(G:\typora_pic\20180731010241638.png)]

安装tesserocr

tesseract安装好以后就可以安装tesserocr了。

Github： https://github.com/sirFz/tesserocr

PyPi：https://pypi.python.org/pypi/tesserocr

github上有较为详尽的安装说明，大多数情况下我们可以在cmd下通过pip来安装：（前提是安装了pip，一般python都自带）

pip install tesserocr

但是由于windows下tesserocr 2.3.0版本目前还没有，所以pip安装在Windows下面会报错。

解决方法之一是通过wheel安装：

1.下载tesserocr 2.2.2版本的wheel文件（注意与tesseract版本的对应）

2.通过如下命令安装：（需要与下载文件在同一目录下）

pip install 文件名.whl

PS：即使库能安装成功，有时候运行还是会出现错误（坑！！），推荐个博文：https://www.imooc.com/article/45278

至少我遇到的错误是解决了 - -

代码构建

完成上述准备工作之后，就可以开始写代码了。

代码逻辑是很简单的，为了便于理解和以后的调用，我把它封装成了一些方法：

初始化

from PIL import Image
import tesserocr, requests
 
# 图片下载链接
image_url = 'https://passport.csdn.net/ajax/verifyhandler.ashx'
# 图片保存路径
image_path = 'image/captcha.jpg'

首先导入必要的包，然后初始化连接（可修改）和路径（可修改）。

图片下载和获取

def image_download():
    """
    图片下载
    """
    response = requests.get(image_url)
    with open(image_path, 'wb') as f:
        f.write(response.content)
def get_image():
    """
    用Image获取图片文件
    :return: 图片文件
    """
    image = Image.open(image_path)
    return image

图像处理

def image_grayscale_deal(image):
    """
    图片转灰度处理
    :param image:图片文件
    :return: 转灰度处理后的图片文件
    """
    image = image.convert('L')
    #取消注释后可以看到处理后的图片效果
    #image.show()
    return image
 
def image_thresholding_method(image):
    """
    图片二值化处理
    :param image:转灰度处理后的图片文件
    :return: 二值化处理后的图片文件
    """
    # 阈值，控制二值化程度，自行调整（不能超过256）
    threshold = 160
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    # 图片二值化，此处第二个参数为数字一
    image = image.point(table, '1')
    # 取消注释后可以看到处理后的图片效果 
    #image.show()
    return image

经过转灰度和二值化处理之后的图片更加容易识别，可以通过 show() 方法来显示处理后的图片。

处理前：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-c3Z3NlD6-1618992506983)(G:\typora_pic\2018073101284527.png)]

转灰度处理后：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZxPrlpT7-1618992506984)(G:\typora_pic\20180731012913563.png)]

二值化处理后：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ATxuShXB-1618992506985)(G:\typora_pic\20180731012948673.png)]

图像识别

def captcha_tesserocr_crack(image):
    """
    图像识别
    :param image: 二值化处理后的图片文件
    :return: 识别结果
    """
    result = tesserocr.image_to_text(image)
    return result

调用tesserocr的image_to_text()方法识别：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ihjbycSg-1618992506986)(G:\typora_pic\20180731013939683.png)]

然后通过调用上述方法，就可以实现自动识别验证码了。

PS：不是每次识别都能成功，要想提高成功率，需要下载训练好的语言包。（下载网速巨慢！！！）

还有就是用深度学习的方法去训练机器~

源码（Github：https://github.com/OSinoooO/Gaptcha_crack）

from PIL import Image
import tesserocr, requests

# 图片下载链接
image_url = ‘http://my.cnki.net/elibregister/CheckCode.aspx’
# 图片保存路径
image_path = ‘image/captcha.jpg’

def image_download():
“”"
图片下载
“”"
response = requests.get(image_url)
with open(image_path, ‘wb’) as f:
f.write(response.content)

def get_image():
“”"
用Image获取图片文件
:return: 图片文件
“”"
image = Image.open(image_path)
return image

def image_grayscale_deal(image):
“”"
图片转灰度处理
:param image:图片文件
:return: 转灰度处理后的图片文件
“”"
image = image.convert(‘L’)
#取消注释后可以看到处理后的图片效果
#image.show()
return image

def image_thresholding_method(image):
“”"
图片二值化处理
:param image:转灰度处理后的图片文件
:return: 二值化处理后的图片文件
“”"
# 阈值
threshold = 160
table = []
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
# 图片二值化，此处第二个参数为数字一
image = image.point(table, ‘1’)
#取消注释后可以看到处理后的图片效果
#image.show()
return image

def captcha_tesserocr_crack(image):
“”"
图像识别
:param image: 二值化处理后的图片文件
:return: 识别结果
“”"
result = tesserocr.image_to_text(image)
return result

if name == ‘main’:
image_download()
image = get_image()
img1 = image_grayscale_deal(image)
img2 = image_thresholding_method(img1)
print(captcha_tesserocr_crack(img2))

懒狗不更新

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
1
评论
图片识别

验证码识别查看Tesseract-OCR支持语言tesseract --list-langs爬虫-识别图形验证码-tesserocr引入：在学习爬虫的过程中，需要解决识别图形验证码的这一难题，网上推荐的方法都是通过tesserocr模块来实现，下面就是安装步骤以及过程中遇到的问题，记录一下。介绍：tesserocr 是 Python 的一个 OCR 识别库，但其实是对 tesseract 做的一层 Python API 封装，所以它的核心是 tesseract。因此，在安装 tesser
复制链接

扫一扫