目录
一、图形验证码
阻碍我们爬⾍的。有时候正是在登录或者请求⼀些数据时候的图形验证码。因此 这⾥我们讲解⼀种能将图⽚翻译成⽂字的技术。将图⽚翻译成⽂字⼀般被称为光 学⽂字识别(Optical Character Recognition),简写为OCR。实现OCR的库不 是很多,特别是开源的。因为这块存在⼀定的技术壁垒(需要⼤量的数据、算 法、机器学习、深度学习知识等),并且如果做好了具有很⾼的商业价值。因此 开源的⽐较少。这⾥介绍⼀个⽐较优秀的图像识别开源库:Tesseract。
Tesseract:t是⼀个将图像翻译成⽂字的OCR(光学⽂字识别,Optical Character Recognition),⽬前由⾕歌赞助。Tesseract是⽬前公认最优秀、最准确的开源 OCR库。Tesseract具有很⾼的识别度,也具有很⾼的灵活性,他可以通过训 练识别任何字体。
在python中调佣Tesseract:pip install pytesseract
1.安装完成后,如果想要在命令⾏中使⽤Tesseract,那么应该设置环境变 量。Mac和Linux在安装的时候就默认已经设置好了。在Windows下把 tesseract.exe所在的路径添加到PATH环境变量中。
C:\Program Files\Tesseract-OCR
2.还有⼀个环境变量需要设置的是,要把训练的数据⽂件路径也放到环境变 量中。 在环境变量中,添加⼀个
TESSDATA_PREFIX=D:\Tesseract-OCR\tessdata
3.进⼊cmd输⼊下⾯的命令查看版本,正常运⾏则安装成功
tesseract --version
4.tesseract 图⽚路径 ⽂件路径
tesseract demo.png a
5.使⽤tesseract识别图像
import pytesseract
from PIL import Image
pytesseract.pytesseract.tesseract_cmd = r'D:\Tesseract-OCR\tesseract.exe'
tessdata_dir_config = r'--tessdata-dir "D:\Tesseract-OCR\tessdata"'
image = Image.open('demo.png')
print