python爬虫：爬虫进阶之图像验证码识别技术

图形验证码识别技术：

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成为光学文字识别（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：

Tesseract是一个OCR库，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。

安装：

Windows系统：

在以下链接下载可执行文件，然后一顿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/tesseract-ocr/

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
或者在ubuntu下通过以下命令进行安装：

sudo apt install tesseract-ocr

Mac系统：

用Homebrew即可方便安装：

brew install tesseract

设置环境变量：

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。

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=C:\path_to_tesseractdata\teseractdata。

在命令行中使用tesseract识别图像：

如果想要在cmd下能够使用tesseract命令，那么需要把tesseract.exe所在的目录放到PATH环境变量中。然后使用命令：tesseract 图片路径 文件路径。
示例：

    tesseract a.png a

那么就会识别出a.png中的图片，并且把文字写入到a.txt中。如果不想写入文件直接想显示在终端，那么不要加文件名就可以了。

在代码中使用tesseract识别图像：

在Python代码中操作tesseract。需要安装一个库，叫做pytesseract。通过pip的方式即可安装：

    pip3 install pytesseract

并且，需要读取图片，需要借助一个第三方库叫做PIL。通过pip list看下是否安装。如果没有安装，通过pip的方式安装：

    pip3 install PIL  

使用pytesseract将图片上的文字转换为文本文字的示例代码如下：

    # 导入pytesseract库
    import pytesseract
    # 导入Image库
    from PIL import Image
    
    # 指定tesseract.exe所在的路径
    pytesseract.pytesseract.tesseract_cmd = r'D:\ProgramApp\TesseractOCR\tesseract.exe'
    
    # 打开图片
    image = Image.open("a.png")
    # 调用image_to_string将图片转换为文字
    text = pytesseract.image_to_string(image)
    print(text)
    

用pytesseract处理拉勾网图形验证码：

    import pytesseract
    from urllib import request
    from PIL import Image
    import time
    
    
    pytesseract.pytesseract.tesseract_cmd = r"D:\ProgramApp\TesseractOCR\tesseract.exe"
    
    
    while True:
        captchaUrl = "https://passport.lagou.com/vcode/create?from=register&refresh=1513081451891"
        request.urlretrieve(captchaUrl,'captcha.png')
        image = Image.open('captcha.png')
        text = pytesseract.image_to_string(image,lang='eng')
        print(text)
        time.sleep(2)