OCR识别验证码

介绍:爬虫过程中,经常难免的会遇到各种各样的验证码,对于图形类验证码,我们可以用OCR(Optical Character Recognition ---光学字符识别)来识别.


  • 安装tesseract

下载地址:https://digi.bib.uni-mannheim.de/tesseract/

OCR识别验证码_第1张图片

上面文件名中,带dev的为开发版本,不带dev的为稳定版本,我们选择不带dev的版本,即tesseract-ocr-setup-3.05.01.exe

安装过程中记得勾选Additional language data,以便使OCR可以识别多国语言。

 OCR识别验证码_第2张图片

  • 配置环境变量

      安装完成后:

  1. 将Tesseract-OCR的路径添加到系统变量path中。如:
  2. 在环境变量中,增加一个变量名为TESSDATA_PREFIX,变量值为Tesseract-OCR路径的系统变量

 

  • 验证安装成果

结果如图: OCR识别验证码_第3张图片

 

 

  1.  进入管理员命令提示符,键入tesseract       
  2. 将路径定位到验证码所在的目录路径(我的验证码图片路径在D盘下),键入tesseract image.png filename -l eng

          验证码图片: 

 OCR识别验证码_第4张图片

 (第一个参数为图片名称,第二个filename为结果保存的目标文件名,-l指定使用的语言包,在此我们使用英文(eng))

 OCR识别验证码_第5张图片

 结果:在验证码所在路径会生成一个txt文件

内容: 

 OCR识别验证码_第6张图片


 使用python代码测试:

  • 以pip方式安装tesseroce:在我个人电脑中直接pip3 install tesserocr是行不通的,对此需要在https://github.com/simonflueckiger/tesserocr-windows_build/releases中下载相应的whl文件,在此我们下载的是支持64位的tesserocr-2.3.1-cp37-cp37m-win_amd64.whl文件,在终端进入whl文件所在的目录,pip3 install tesserocr-2.3.1-cp37-cp37m-win_amd64.whl即可
  • 由于我们处理的是图像,所以也需要安装pillow库(python中一个强大的图像处理库),可按上面相似步骤操作,可直接pip3 install pillow      也可以pip相应的whl文件
  • 将Tesseract-OCR文件中的tessdata文件复制到python路径中(重启电脑不知道是不是必须的,反正我是重启后才可以用)

OCR识别验证码_第7张图片

 OCR识别验证码_第8张图片

  • python代码测试:
    import tesserocr
    from PIL import Image #pyton2版本的PIL库实际上已经被淘汰,不过安装了pillow库后,依然可以使用
    image=Image.open('D:\image.png')
    print(tesserocr.image_to_text(image))

    运行结果: OCR识别验证码_第9张图片

     

你可能感兴趣的:(python)