Python爬虫4.5 — tesseract(图片验证码识别)用法教程

综述

本系列文档用于对Python爬虫技术的学习进行简单的教程讲解，巩固自己技术知识的同时，万一一不小心又正好对你有用那就更好了。
Python 版本是3.7.4

阻碍我们爬虫的，有时候正式在登陆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称为光学文字识别（Optical Character Recognition），简写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、深度学习等知识)，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

介绍

Tesseract是一个OCR库，目前由谷歌维护的。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，它可以通过训练识别任何字体。

安装

Windows系统：

点击下面链接，下载可执行文件，然后进行安装即可(放在不需要权限的纯英文路径下)：http://github.com/tesseract-ocr/ （或者使用这个链接：https://digi.bib.uni-mannheim.de/tesseract/）

Linux系统

可以从下面链接下载源码自行编译：http://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。

到这里，我们就算安装完成了，但是，我们的系统还是无法识别中文的，我们要去下载简体汉字、繁体汉字语言包（其他语言的识别包下载地址：https://github.com/tesseract-ocr/tesseract/wiki/Data-Files ），下载好之后放到安装目录的tessconfigs目录下即可。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=D:\Python\Tesseract-OCR\tessdata(需要根据你的安装路径进行相应的调整)。

简单使用

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(上文已经说过)。然后使用命令：

tesseract 图片路径地址 文件路径地址

例如命令：

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，直接显示在终端，那么不要加文件名就可以了。

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：

pip install pytesseract

并且，需要读取图片，还需要借助一个第三方库叫做PIL。可以先通过pip list查看是否已经安装。要注意的是PIL主要针对Python2，它并没有跟随python的进化而进化。有大师为此，专门写了一个针对python3的pillow模块。所以，如果需要安装python3对应的PIL，应该选择安装pillow。是同样是通过pip的方式安装：

pip install PIL
pip install pillow

使用pytesseract将图片上的文字转换为文本文字的示例代码如下：

# 导入所需库
import pytesseract
from PIL import Image

# 指定tesseract.exe路径
pytesseract.pytesseract.tesseract_cmd = r'D:\Python\Tesseract-OCR\tesseract.exe'

# 打开图片
image = Image.open('1.png')
# 调用image_to_string识别图片转为字符串
text = pytesseract.image_to_string(image)
print(text)

其他博文链接

• Python爬虫1.1 — urllib基础用法教程
• Python爬虫1.2 — urllib高级用法教程
• Python爬虫1.3 — requests基础用法教程
• Python爬虫1.4 — requests高级用法教程
• Python爬虫2.1 — BeautifulSoup用法教程
• Python爬虫2.2 — xpath用法教程
• Python爬虫3.1 — json用法教程
• Python爬虫3.2 — csv用法教程
• Python爬虫3.3 — txt用法教程
• Python爬虫4.1 — threading(多线程)用法教程
• Python爬虫4.2 — ajax(动态网页数据抓取)用法教程
• Python爬虫4.3 — selenium基础用法教程
• Python爬虫4.4 — selenium高级用法教程