tesseract

图形验证码识别技术

• 有时候在登录或者请求一些数据时侯会出现图形验证码，因此需要学会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），简称 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，我们这里用 tesseract

tesseract

• tesseract 是一个 OCR 库，目前由谷歌赞助，tesseract 是目前公认的最优秀，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，可以通过训练识别任何字体

安装

windows 系统

• 在以下链接下载可执行文件，然后一直点击下一步安装即可（放在不需要权限的纯英文路径下）https://github.com/UB-Mannheim/tesseract/wiki
• 有识别语言的选项，根据自己需求勾选
• 安装完要添加环境
  
  

linux 系统

• 可以在以下链接下载源码自行编译，https://github.com/tesseract-ocr/tesseract/wiki/Compiling

在 win 命令行中使用 tesseract 识别图像

tesseract image.png result	# image.png 为想要识别的图片，result 为识别的结果
tesseract --list-langs	# 查看已有的语言列表
tesseract chi.png chi.txt -l chi_sim	# -l：选择语言  chi_sim：简体中文

python 中使用 tesseract

• 在 python 中，需要安装 pytesseract 库，通过 pip 安装
  pip install pytesseract# 这里自动安装 PIL.Image`
• 使用 pytesseract 将图片上的文字转换为文本文字如下：

import pytesseract

from PIL import Image

text = pytesseract.image_to_string(Image.open(r'D:\image.png'))
print(text)

• 原图：