使用Python+Tesserocr识别验证码

在爬虫过程中，难免会遇到各种各样的验证码，而大多数验证码还是图形验证码，这时候我们可以直接用 OCR 来识别。

tesserocr 是 Python 的一个 OCR 识别库 ，但其实是对 tesseract 做的一 层 Python API 封装，所以它的核心是 tesseract。 

1)安装Tesserocr和Pillow

用Anaconda安装的Python环境，安装tesserocr时报错，tesserocr.cpp(555): fatal error C1083: Cannot open include file: 'leptonica/allheaders.h': No such file or directory

C:\Users\Administrator>pip install tesserocr pillow
Collecting tesserocr
  Using cached https://files.pythonhosted.org/packages/cf/0d/9e554f041962b8dd7ac
d978330535fed879452bb0af257c287ca4ae9c525/tesserocr-2.2.2.tar.gz
Requirement already satisfied: pillow in d:\programdata\anaconda3\lib\site-packa
ges (5.0.0)
Building wheels for collected packages: tesserocr
  Running setup.py bdist_wheel for tesserocr ... error
  Complete output from command d:\programdata\anaconda3\python.exe -u -c "import
 setuptools, tokenize;__file__='C:\\Users\\ADMINI~1\\AppData\\Local\\Temp\\pip-i
nstall-qo9ktk0e\\tesserocr\\setup.py';f=getattr(tokenize, 'open', open)(__file__
);code=f.read().replace('\r\n', '\n');f.close();exec(compile(code, __file__, 'ex
ec'))" bdist_wheel -d C:\Users\ADMINI~1\AppData\Local\Temp\pip-wheel-_vovqp88 --
python-tag cp36:
  Supporting tesseract v3.05.01
  Building with configs: {'libraries': ['tesseract', 'lept'], 'cython_compile_ti
me_env': {'TESSERACT_VERSION': 197889}}
  running bdist_wheel
  running build
  running build_ext
  building 'tesserocr' extension
  creating build
  creating build\temp.win-amd64-3.6
  creating build\temp.win-amd64-3.6\Release
  C:\Program Files (x86)\Microsoft Visual Studio 14.0\VC\BIN\x86_amd64\cl.exe /c
 /nologo /Ox /W3 /GL /DNDEBUG /MD -Id:\programdata\anaconda3\include -Id:\progra
mdata\anaconda3\include "-IC:\Program Files (x86)\Microsoft Visual Studio 14.0\V
C\INCLUDE" "-IC:\Program Files (x86)\Windows Kits\10\include\10.0.10240.0\ucrt"
"-IC:\Program Files (x86)\Windows Kits\8.1\include\shared" "-IC:\Program Files (
x86)\Windows Kits\8.1\include\um" "-IC:\Program Files (x86)\Windows Kits\8.1\inc
lude\winrt" /EHsc /Tptesserocr.cpp /Fobuild\temp.win-amd64-3.6\Release\tesserocr
.obj
  tesserocr.cpp
  tesserocr.cpp(555): fatal error C1083: Cannot open include file: 'leptonica/al
lheaders.h': No such file or directory
  error: command 'C:\\Program Files (x86)\\Microsoft Visual Studio 14.0\\VC\\BIN
\\x86_amd64\\cl.exe' failed with exit status 2

  ----------------------------------------
  Failed building wheel for tesserocr
  Running setup.py clean for tesserocr
Failed to build tesserocr
Installing collected packages: tesserocr
  Running setup.py install for tesserocr ... error
    Complete output from command d:\programdata\anaconda3\python.exe -u -c "impo
rt setuptools, tokenize;__file__='C:\\Users\\ADMINI~1\\AppData\\Local\\Temp\\pip
-install-qo9ktk0e\\tesserocr\\setup.py';f=getattr(tokenize, 'open', open)(__file
__);code=f.read().replace('\r\n', '\n');f.close();exec(compile(code, __file__, '
exec'))" install --record C:\Users\ADMINI~1\AppData\Local\Temp\pip-record-hal0op
96\install-record.txt --single-version-externally-managed --compile:
    Supporting tesseract v3.05.01
    Building with configs: {'libraries': ['tesseract', 'lept'], 'cython_compile_
time_env': {'TESSERACT_VERSION': 197889}}
    running install
    running build
    running build_ext
    building 'tesserocr' extension
    creating build
    creating build\temp.win-amd64-3.6
    creating build\temp.win-amd64-3.6\Release
    C:\Program Files (x86)\Microsoft Visual Studio 14.0\VC\BIN\x86_amd64\cl.exe
/c /nologo /Ox /W3 /GL /DNDEBUG /MD -Id:\programdata\anaconda3\include -Id:\prog
ramdata\anaconda3\include "-IC:\Program Files (x86)\Microsoft Visual Studio 14.0
\VC\INCLUDE" "-IC:\Program Files (x86)\Windows Kits\10\include\10.0.10240.0\ucrt
" "-IC:\Program Files (x86)\Windows Kits\8.1\include\shared" "-IC:\Program Files
 (x86)\Windows Kits\8.1\include\um" "-IC:\Program Files (x86)\Windows Kits\8.1\i
nclude\winrt" /EHsc /Tptesserocr.cpp /Fobuild\temp.win-amd64-3.6\Release\tessero
cr.obj
    tesserocr.cpp
    tesserocr.cpp(555): fatal error C1083: Cannot open include file: 'leptonica/
allheaders.h': No such file or directory
    error: command 'C:\\Program Files (x86)\\Microsoft Visual Studio 14.0\\VC\\B
IN\\x86_amd64\\cl.exe' failed with exit status 2

    ----------------------------------------
Command "d:\programdata\anaconda3\python.exe -u -c "import setuptools, tokenize;
__file__='C:\\Users\\ADMINI~1\\AppData\\Local\\Temp\\pip-install-qo9ktk0e\\tesse
rocr\\setup.py';f=getattr(tokenize, 'open', open)(__file__);code=f.read().replac
e('\r\n', '\n');f.close();exec(compile(code, __file__, 'exec'))" install --recor
d C:\Users\ADMINI~1\AppData\Local\Temp\pip-record-hal0op96\install-record.txt --
single-version-externally-managed --compile" failed with error code 1 in C:\User
s\ADMINI~1\AppData\Local\Temp\pip-install-qo9ktk0e\tesserocr\

解决方法：

cmd中输入命令  conda install -c simonflueckiger tesserocr （此时我使用的该方法安装的，tesserocr版本是2.4对应的tesseract版本是3.05.02 这给我后来的安装过程带来了很大的麻烦）

或者使用whl文件安装

https://github.com/simonflueckiger/tesserocr-windows_build/releases

注意：

a)安装时出现如下错误：

Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": https://visualstudio.microsoft.com/downloads/

需要下载安装，注意安装时需要联网：

Microsoft Visual C++ Build Tools 2015

b)由于在pycharm中新建项目Test时使用了新的anaconda编译环境，所以上面安装的包，都安装到默认的环境中，而项目中依然报错：ModuleNotFoundError: No module named 'tesserocr'

 

这时需要在安装命令中指定安装到哪个环境中：

conda install -n Test -c simonflueckiger tesserocr

Test为我的项目中使用的环境名

编写测试程序

import locale locale.setlocale(locale.LC_ALL, 'C') from PIL import Image import tesserocr image = Image.open('D:\\Projects\\Python\\Test\\ImageRec\\pic\\verifyCode1.jpg') # 通常情况下，我们还需要做些额外的图片处理，如转灰度图，二值化等。 # 利用Image对应的convert()方法传参L，即可将图片转为灰度图。 image=image.convert('L') #当然我们更多时候需要根据图片的实际情况指定二值化的阈值，比如我们将阈值设定为80，先转灰度图，再二值化 #根据图片的实际情况，人为调整程序中预设的阈值 threshold=80 table=[] for i in range(256):     if i

安装完后执行程序出现Failed to init API错误

result = tesserocr.image_to_text(image)
File "tesserocr.pyx", line 2443, in tesserocr._tesserocr.image_to_text
RuntimeError: Failed to init API, possibly an invalid tessdata path: D:\Dev\Anaconda3\envs\Test\

通常网上的解决方法如下：

方法1：将Tesseract的tessdata目录copy到错误提示的目录下

方法2：添加环境变量TESSDATA_PREFIX指到tessdata的父目录（通常是Tesseract-OCR的安装目录）

注：

tesserocr库内部集成了所需的tesseract的库文件，但是没有集成语言包，tessdata的获取方法：

（1）可以下载安装与tesserocr匹配版本的Tesseract

         参考网址：

         https://github.com/tesseract-ocr/tesseract
         https://tesseract-ocr.github.io/
         https://digi.bib.uni-mannheim.de/tesseract/

  (2）也可以从如下地方下载：

         https://github.com/tesseract-ocr/tessdata_best
         https://github.com/tesseract-ocr/tessdata_fast
         https://github.com/tesseract-ocr/tessdata

但试过后问题依然没有解决，后来发现按上面方法安装的tesserocr对于的版本是3.05.02而，tesseract版本是4.0.X，用的tessdata有是4.0.x的所以卸载tesserocr,使用whl文件安装

注意如果ananconda下有多个python环境，想按在哪个下面就要进入到哪个环境下的scripts目录下（也就是pip.exe所在的目录）执行如下命令：

pip install D:\Dev\tesserocr-2.4.0-cp37-cp37m-win_amd64.whl

因为在其他路径下默认环境变量中python的环境变量可能被指到了anacond的默认环境下，那么安装tesserocr也就被安装到默认环境下而不是你项目所使用的编译环境，当然如果你没有使用多python编译环境那么久没这个苦恼。

注：通常使用conda install -n 环境 要安装的程序包  可以给指定的编译环境安装依赖，但是像上面使用whl安装则conda不识别whl文件总是搜索自己的依赖库，提示找不到要安装的内容。

安装完毕后，在程序中通过【 print(tesserocr.tesseract_version()) 】发现现在tesserocr对应的版本为tesseract 4.0.0了，与我本地安装的版本一致了。但是运行上面的图片验证码程序依然报刚才的 failed init API的错误，后来仔细排查发现原来是我最初遇到这个错误时，几经折腾，途中尝试从网上下载过不同版本的tesseract, 最终我本地使用的tesseract 4.0.0了，但往报错的地方复制的tessdata目录是5.0.0版的，所以初始化失败。于是从4.0.0版的tesseract安装目录下重新复制一份，问题就解决了。

总结了一下 failed init API的解决方法：

a)要确认自己使用的tesserocr对应的tesseract版本是什么，要使用对应的tesseract版本的tessdata。

b)对于tessdata的位置tesserocr默认使用的是当前python环境的根目录，也就是与python.exe同级。

当然也可以在程序中改变调用方式，来指定路径：

api = tesserocr.PyTessBaseAPI(lang='eng', path='D:\\Dev\\tessdata')
api.SetImage(image)
print(api.GetUTF8Text())
api.End()

c)本地其实不需要安装Tesseract，只是为了获取tessdata。只要能拿到相应的tessdata目录即可，tessdata网上可以下载语言包。

上述问题解决后，验证识别结果，识别率不太高，具体如何优化，后面继续研究。