Python爬虫-16- pytesseract验证码识别

 pytesseract

pytesseract是Python的一个OCR识别库，OCR，即Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。

pytesseract其实是对tesseract做的一层Python API封装，pytesseract是Google的Tesseract-OCR引擎包装器；所以它们的核心是tesseract,因此在安装tesserocr之前，我们需要先安装tesseract

 

第一步：tesseract-OCR安装

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

选择对应版本

2）下载后，双击傻瓜式安装，勾选语言英文、中文即可，一直往下安装直到安装完毕

3）配置环境变量

4）安装配置完成

 

第二步：pytesseract安装

pip install pytesseract

 

安装处理图片的库（我之前安装好了的）

pip install pillow

到这里所需环境ok了，下面来尝试一下验证码的识别操作

 

脚本部分

# coding:utf-8
from PIL import Image
import pytesseract

# 1.打开图片；2.识别图像；3.打印结果
img_1 = Image.open("1.jpg")
result = pytesseract.image_to_string(img_1)
print(result)

1）执行时，如截图报错

2）百度了一下，解决方案如下。

pytesseract安装后，在python的Lib目录下site-packges下会生成一个pytesseract文件夹，文件夹中找到pytesseract.py，路径为：D:\Program Files\python3.5\Lib\site-packages\pytesseract，使用notepad之类软件打开pytesseract.py，找到
tesseract_cmd = 'tesseract'，将tesseract修改为安装tesseract的绝对路径

3） 继续运行，验证码识别出来了

 4）我们首先利用Image读取了图片文件，然后调用了pytesseract的image_to_string()方法，再将其识别结果输出。但是这也只能做些简单的识别