JAVA高级面试进阶训练营视频教程

admin

Tesseract的安装及配置

在Python爬虫过程中，难免遇到各种各样的验证码问题，最简单的就是​这种验证码了，那么在遇到验证码的时候该怎么办呢？我们就需要OCR技术了，OCR-即Optical Character Recognition光学字符识别，是指通过扫描字符，然后将其形状翻译成电子文本的过程。而tesserocr是Python的一个OCR识别库，所以在安装tesserocr之前，我们需要安装tesseract这个东西

下载地址：https://digi.bib.uni-mannheim.de/tesseract/ 可以选择下载不带dev的稳定版本，我下载的是3.05.01版本的，不过这个版本的可能比较早了，识别能力不是很厉害，读者可以选择下载最新版本的3.05.02，识别能力应该会好很多。

下载完就是一路双击，在最后的Additional Language data(download)选上这个选项，是OCR支持各种语言的包，然后继续安装，直到安装成功。

我的安装路径为：G:\Program Files (x86)\Tesseract-OCR

​

安装完成后就得需要配置环境变量，打开环境变量设置，在path中加入如下

​的设置，这样tesseract就安装成功并配置完成了、

tesserocr库的安装

刚开始我直接在cmd下输入 pip install tesserocr 很不幸报错了，报错类似于如下。。。因为之前我的报错，没有截图。所以。。

​

就是类似于这种的截图，这该怎么办，难道要去下载visual C++吗？我们有更好的解决方法，下载对应的.whl文件

下载地址：https://github.com/simonflueckiger/tesserocr-windows_build/releases 一定要下载对应版本的

​

我的是3.5.1，所以我下载的是这个版本的。读者可以自行选择。

我的tesserocr-2.2.2-cp36-cp36m-win_amd64.whl文件下载在G盘根目录下，然后在cmd里输入 pip install G:\tesserocr-2.2.2-cp36-cp36m-win_amd64.whl 开始安装whl文件，发现报错了。提示不能安装whl文件。。原来是没有安装wheel。

然后我就去安装了wheel 直接 pip install wheel即可。

安装成功 在输入 pip install G:\tesserocr-2.2.2-cp36-cp36m-win_amd64.whl 发现开始安装了。

哎心累啊，总算弄好了。但是，我在pycharm中调用tesserocr 这个库，他又提示报错了，这是为什么呢？百度了一下最终解决。

原来需要在pycharm下的terrminal下输入如下图：

​

如果报错了还得有一步操作。

将Tesseract-OCR下的tessdata文件复制到你的Python安装路径的scripts下：

​

这样

​

这下应该就彻底安装成功了。。

这下在pycharm里总算不会报错了，我们来试一下识别这两张图片的效果

​

​

代码：

from PIL import Image
import tesserocr

imag=Image.open('test.jpg')
print(tesserocr.image_to_text(imag))
imag1=Image.open('image.png')
print(tesserocr.image_to_text(imag1))

 

输出结果如下：

​将762408识别成了162408 我也很无奈呀。。。可能是因为版本太菜了吧

以上就是我安装tesserocr遇到的问题及解决办法了。其实还可以装pytesseract这个库。

 

安装pytesseract库

安装这个pytesseract库可比tesserocr方便多了，根本不会报错，直接pip install pytesseract 完事。。pycharm直接搜索库

​

然后下载就完事，多省事。。。。

看一下识别效果，还是同样的两张图片。

代码：

import pytesseract
from PIL import Image
import tesserocr

im=Image.open('test.jpg')
print(pytesseract.image_to_string(im))
im1=Image.open('image.png')
print(pytesseract.image_to_string(im1))

 

运行结果：

​运行结果一样的，所以我推荐大家使用pytesseract这个库。

 

验证码识别问题

我打开知乎登录界面，下载了一张验证码图片：​ 开始识别它。

代码如下：

import pytesseract
from PIL import Image
import tesserocr



#简单验证  特别垃圾
image=Image.open('3.jpg')
result=tesserocr.image_to_text(image)
print(result)


#完全验证 也不咋地。。
image1=Image.open('3.jpg')
image1=image1.convert('L')
threshold=127
table=[]
for i in range(256):
    if i <threshold:
        table.append(0)
    else:
        table.append(1)
image2=image1.point(table,'1')
image2.show()  #二值化灰度处理图片显示
result=pytesseract.image_to_string(image2)
print(result)

 

运行结果：

​都识别失败了，，，

贼无语，但是灰度化和二值化后的图片已经很清晰了。。​我都能看出来是H83G了，你识别个H535是个什么鬼。。综上，这个库吧，可能效果也不是那么好。先凑活用吧。。