爬虫——爬虫通用模块

一：tesseract的使用

        1.定义：

                Tesseract是一个将图像翻译成文字的OCR库（光学文字识别，Optical Character Recognition）

        2.安装：

                sudo apt-get install tesseract-ocr

        3.在python中调用Tesseract

                pip  install pytesseract

        4.Tesseract处理规范的文字

                在终端中：

                        tesseract test.jpg text

                在python代码中:

                        import pytesseract

                        from PIL import Image

                        image=Image.open(jpg)

                        pytesseract.image_to_string(image)

二：driver的安装

        phantomjs安装指南

                #官网安装，apt_get可能会报错

                --解压文件

                tar -xvr phantomjs-1.9.7-linux-x86_64.tar.bz2

                -将程序移到一个合适的位置