python中tesserocr的安装和使用

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。

OCR，即Optical Character Recognition，光学字符识别，是指通过扫描光学符号，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。

tesserocr 是 Python的一个OCR识别库，但其实是对 tesseract 做的一层PythonAPI封装，所以它的核心是 tesseract。

因此，在安装tesserocr之前，我们需要先安装tesseract

• tesserocr GitHub: https://github.com/sirfz/tesserocr
• tesserocr PyPI: https://pypi.python.org/pypi/tesserocr
• tesseract 下载地址: http://digi.bib.uni-mannheim.de/tesseract
• tesseract GitHub: https://github.com/tesseract-ocr/tesseract
• tesseract 语言包: https://github.com/tesseract-ocr/tessdatatesseract
• tesseract文档://github.com/tesseract-ocr/tesseract/wiki/Documentation

tesseract安装

进入网址http://digi.bib.uni-mannheim.de/tesseract 下载对应版本进行安装。

要记住安装路径，安装完成后，我们要在系统环境变量中设置。

设置完环境变量后，我们就可以在命令行直接执行tesseract命令了。

tesseract chi_sim.png result1 -l chi_sim

通过命令，我们就能够做到对图片文本的识别并提取到文件了。

# 命令行下通过--list-langs参数查看语言包
tesseract --list-langs

如果安装tesseract的语言包中没有你想要的语言，可以去github下载。

git clone git@github.com:tesseract-ocr/tessdata.git

下载完成后拷贝tessdata目录下的语言包到tesseract下的tessdata目录

tesserocr安装

# 安装图片处理库PIL
pip install pillow

接下来安装tesserocr，我通过pip install tesserocr安装失败了。所以通过wheel进行安装。

pip install wheel

下载对应的python版本再进行安装

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

下载whl文件到本地，然后执行下面命令安装

pip install tesserocr-2.6.0-cp311-cp311-win_amd64.whl

安装完成，我们就可以进行简单的代码测试了。

本节主要讲了tesserocr的安装和简单使用。对于ocr识别你可以使用一些国内的ocr库。

比如ddddocr，cnocr , paddleOCR基于深度学习的第三方库。