Python识别验证码的模块--- pytesser

pytesser识别简单的数字和英文字母还好，复杂的以及中文都无法识别的。而且该模块需要PIL库的支持。

如果要识别其他语言，需要下载相应的语言数据包放入tessdata中，然后在调用image_to_string()函数时多加一个language参数。

该博客里讲解了pytesser的安装使用、解决识别率低的问题以及通过修改源代码来识别其他语言，我改了，但是。。。。。一直报错。（不明所以脸）

pytesser的安装参考：http://www.th7.cn/Program/Python/201602/768304.shtml

接下来是转自其他博主的内容。

转自：http://blog.csdn.net/hk_jh/article/details/8961449?utm_source=tuicool&utm_medium=referral

pytesser是谷歌OCR开源项目的一个模块，在python中导入这个模块即可将图片中的文字转换成文本。

链接：https://code.google.com/p/pytesser/

pytesser 调用了 tesseract。在python中调用pytesser模块，pytesser又用tesseract识别图片中的文字。

下面是整个过程的实现步骤：

1、首先要在code.google.com下载pytesser。https://code.google.com/p/pytesser/downloads/detail?name=pytesser_v0.0.1.zip

这个是免安装的，可以放在python安装文件夹的\Lib\site-packages\  下直接使用

pytesser里包含了tesseract.exe和英语的数据包（默认只识别英文），还有一些示例图片，所以解压缩后即可使用。

可通过以下代码测试：

[python] view plain copy

1. >>> from pytesser import *  
2. >>> image = Image.open('fnord.tif')  # Open image object using PIL  
3. >>> print image_to_string(image)     # Run tesseract.exe on image  
4. fnord  
5. >>> print image_file_to_string('fnord.tif')  
6. fnord  

[python] view plain copy

1. <pre name="code" class="python">from pytesser import *   
2. #im = Image.open('fnord.tif')   
3. #im = Image.open('phototest.tif')   
4. #im = Image.open('eurotext.tif')  
5. im = Image.open('fonts_test.png')  
6. text = image_to_string(im)   
7. print text</pre>  
8. <pre></pre>  
9. <pre></pre>  
10. <pre></pre>  

注：该模块需要PIL库的支持。

2、解决识别率低的问题

可以增强图片的显示效果，或者将其转换为黑白的，这样可以使其识别率提升不少：

[python] view plain copy

1. enhancer = ImageEnhance.Contrast(image1)  
2. image2 = enhancer.enhance(4)  

可以再对image2调用 image_to_string识别

3、识别其他语言

tesseract是一个命令行下运行的程序，参数如下：

tesseract  imagename outbase [-l  lang]  [-psm N]  [configfile...]

imagename是输入的image的名字

outbase是输出的文本的名字，默认为outbase.txt

-l  lang  是定义要识别的的语言，默认为英文

详见http://tesseract-ocr.googlecode.com/svn-history/r725/trunk/doc/tesseract.1.html

通过以下步骤可以识别其他语言：

（1）、下载其他语言数据包：

https://code.google.com/p/tesseract-ocr/downloads/list

将语言包放入pytesser的tessdata文件夹下

接下来修改pytesser.py的参数，下面是一个例子：

[python] view plain copy

1. """OCR in Python using the Tesseract engine from Google 
2. http://code.google.com/p/pytesser/ 
3. by Michael J.T. O'Kelly 
4. V 0.0.2, 5/26/08"""  
5.   
6. import Image  
7. import subprocess  
8. import os  
9. import StringIO  
10.   
11. import util  
12. import errors  
13.   
14.   
15. tesseract_exe_name = 'dlltest' # Name of executable to be called at command line  
16. scratch_image_name = "temp.bmp" # This file must be .bmp or other Tesseract-compatible format  
17. scratch_text_name_root = "temp" # Leave out the .txt extension  
18. _cleanup_scratch_flag = True  # Temporary files cleaned up after OCR operation  
19. _language = "" # Tesseract uses English if language is not given  
20. _pagesegmode = "" # Tesseract uses fully automatic page segmentation if psm is not given (psm is available in v3.01)  
21.   
22. _working_dir = os.getcwd()  
23.   
24. def call_tesseract(input_filename, output_filename, language, pagesegmode):  
25.         """Calls external tesseract.exe on input file (restrictions on types), 
26.         outputting output_filename+'txt'"""  
27.         current_dir = os.getcwd()  
28.         error_stream = StringIO.StringIO()  
29.         try:  
30.                 os.chdir(_working_dir)  
31.                 args = [tesseract_exe_name, input_filename, output_filename]  
32.                 if len(language) > 0:  
33.                         args.append("-l")  
34.                         args.append(language)  
35.                 if len(str(pagesegmode)) > 0:  
36.                         args.append("-psm")  
37.                         args.append(str(pagesegmode))  
38.                 try:  
39.                         proc = subprocess.Popen(args)  
40.                 except (TypeError, AttributeError):  
41.                         proc = subprocess.Popen(args, shell=True)  
42.                 retcode = proc.wait()  
43.                 if retcode!=0:  
44.                         error_text = error_stream.getvalue()  
45.                         errors.check_for_errors(error_stream_text = error_text)  
46.         finally:  # Guarantee that we return to the original directory  
47.                 error_stream.close()  
48.                 os.chdir(current_dir)  
49.   
50. def image_to_string(im, lang = _language, psm = _pagesegmode, cleanup = _cleanup_scratch_flag):  
51.         """Converts im to file, applies tesseract, and fetches resulting text. 
52.         If cleanup=True, delete scratch files after operation."""  
53.         try:  
54.                 util.image_to_scratch(im, scratch_image_name)  
55.                 call_tesseract(scratch_image_name, scratch_text_name_root, lang, psm)  
56.                 result = util.retrieve_result(scratch_text_name_root)  
57.         finally:  
58.                 if cleanup:  
59.                         util.perform_cleanup(scratch_image_name, scratch_text_name_root)  
60.         return result  
61.   
62. def image_file_to_string(filename, lang = _language, psm = _pagesegmode, cleanup = _cleanup_scratch_flag, graceful_errors=True):  
63.         """Applies tesseract to filename; or, if image is incompatible and graceful_errors=True, 
64.         converts to compatible format and then applies tesseract.  Fetches resulting text. 
65.         If cleanup=True, delete scratch files after operation. Parameter lang specifies used language. 
66.         If lang is empty, English is used. Page segmentation mode parameter psm is available in Tesseract 3.01. 
67.         psm values are: 
68.         0 = Orientation and script detection (OSD) only. 
69.         1 = Automatic page segmentation with OSD. 
70.         2 = Automatic page segmentation, but no OSD, or OCR 
71.         3 = Fully automatic page segmentation, but no OSD. (Default) 
72.         4 = Assume a single column of text of variable sizes. 
73.         5 = Assume a single uniform block of vertically aligned text. 
74.         6 = Assume a single uniform block of text. 
75.         7 = Treat the image as a single text line. 
76.         8 = Treat the image as a single word. 
77.         9 = Treat the image as a single word in a circle. 
78.         10 = Treat the image as a single character."""  
79.         try:  
80.                 try:  
81.                         call_tesseract(filename, scratch_text_name_root, lang, psm)  
82.                         result = util.retrieve_result(scratch_text_name_root)  
83.                 except errors.Tesser_General_Exception:  
84.                         if graceful_errors:  
85.                                 im = Image.open(filename)  
86.                                 result = image_to_string(im, cleanup)  
87.                         else:  
88.                                 raise  
89.         finally:  
90.                 if cleanup:  
91.                         util.perform_cleanup(scratch_image_name, scratch_text_name_root)  
92.         return result  
93.           
94.   
95. if __name__=='__main__':  
96.         im = Image.open('phototest.tif')  
97.         text = image_to_string(im, cleanup=False)  
98.         print text  
99.         text = image_to_string(im, psm=2, cleanup=False)  
100.         print text  
101.         try:  
102.                 text = image_file_to_string('fnord.tif', graceful_errors=False)  
103.         except errors.Tesser_General_Exception, value:  
104.                 print "fnord.tif is incompatible filetype.  Try graceful_errors=True"  
105.                 #print value  
106.         text = image_file_to_string('fnord.tif', graceful_errors=True, cleanup=False)  
107.         print "fnord.tif contents:", text  
108.         text = image_file_to_string('fonts_test.png', graceful_errors=True)  
109.         print text  
110.         text = image_file_to_string('fonts_test.png', lang="eng", psm=4, graceful_errors=True)  
111.         print text  

这个是source里面提供的，其实若只要识别其他语言只要添加一个language参数就行了，下面是我的例子：

[python] view plain copy

1. """OCR in Python using the Tesseract engine from Google 
2. http://code.google.com/p/pytesser/ 
3. by Michael J.T. O'Kelly 
4. V 0.0.1, 3/10/07"""  
5.   
6. import Image  
7. import subprocess  
8. import util  
9. import errors  
10.   
11. tesseract_exe_name = 'tesseract' # Name of executable to be called at command line  
12. scratch_image_name = "temp.bmp" # This file must be .bmp or other Tesseract-compatible format  
13. scratch_text_name_root = "temp" # Leave out the .txt extension  
14. cleanup_scratch_flag = True  # Temporary files cleaned up after OCR operation  
15.   
16. def call_tesseract(input_filename, output_filename, language):  
17.     """Calls external tesseract.exe on input file (restrictions on types), 
18.     outputting output_filename+'txt'"""  
19.     args = [tesseract_exe_name, input_filename, output_filename, "-l", language]  
20.     proc = subprocess.Popen(args)  
21.     retcode = proc.wait()  
22.     if retcode!=0:  
23.         errors.check_for_errors()  
24.   
25. def image_to_string(im, cleanup = cleanup_scratch_flag, language = "eng"):  
26.     """Converts im to file, applies tesseract, and fetches resulting text. 
27.     If cleanup=True, delete scratch files after operation."""  
28.     try:  
29.         util.image_to_scratch(im, scratch_image_name)  
30.         call_tesseract(scratch_image_name, scratch_text_name_root,language)  
31.         text = util.retrieve_text(scratch_text_name_root)  
32.     finally:  
33.         if cleanup:  
34.             util.perform_cleanup(scratch_image_name, scratch_text_name_root)  
35.     return text  
36.   
37. def image_file_to_string(filename, cleanup = cleanup_scratch_flag, graceful_errors=True, language = "eng"):  
38.     """Applies tesseract to filename; or, if image is incompatible and graceful_errors=True, 
39.     converts to compatible format and then applies tesseract.  Fetches resulting text. 
40.     If cleanup=True, delete scratch files after operation."""  
41.     try:  
42.         try:  
43.             call_tesseract(filename, scratch_text_name_root, language)  
44.             text = util.retrieve_text(scratch_text_name_root)  
45.         except errors.Tesser_General_Exception:  
46.             if graceful_errors:  
47.                 im = Image.open(filename)  
48.                 text = image_to_string(im, cleanup)  
49.             else:  
50.                 raise  
51.     finally:  
52.         if cleanup:  
53.             util.perform_cleanup(scratch_image_name, scratch_text_name_root)  
54.     return text  
55.       
56.   
57. if __name__=='__main__':  
58.     im = Image.open('phototest.tif')  
59.     text = image_to_string(im)  
60.     print text  
61.     try:  
62.         text = image_file_to_string('fnord.tif', graceful_errors=False)  
63.     except errors.Tesser_General_Exception, value:  
64.         print "fnord.tif is incompatible filetype.  Try graceful_errors=True"  
65.         print value  
66.     text = image_file_to_string('fnord.tif', graceful_errors=True)  
67.     print "fnord.tif contents:", text  
68.     text = image_file_to_string('fonts_test.png', graceful_errors=True)  
69.     print text  

在调用image_to_string函数时，只要加上相应的language参数就可以了，如简体中文最后一个参数即为 chi_sim， 繁体中文chi_tra,

也就是下载的语言包的 XXX.traineddata 文件的名字XXX，如下载的中文包是 chi_sim.traineddata， 参数就是chi_sim :

[python] view plain copy

1. text = image_to_string(self.im, language = 'chi_sim')  

至此，图片识别就完成了。

额外附加一句：有可能中文识别出来了，但是乱码，需要相应地将text转换为你所用的中文编码方式，如：

text.decode("utf8")就可以了