我心中的王者：Python-文字识别系统

我心中的王者：Python-文字识别系统

Tesseract OCR是一个文字识别(OCR, Optical Character Recognition)的系统，可以在多个平台上运作，目前这是一个开放资源的免费软件。1985-1994年间由惠普(HP)实验室开发，1996年开发为适用Windows系统。有接近十年期间，这个软件没有太大进展，在2005年惠普公司将这个软件释为免费使用(open source)，2006年起这个软件改由Google赞助与维护。

本章笔者将简单介绍使用Python处理文字识别，在上一章笔者有说明目前有许多网站在进入前需要输入验证码，这一章将用实例说明，如何处理这些验证码。同时也将说明使用这个系统识别繁体和简体中文图文件。

29-1　安装Tesseract OCR

使用这套软件需要下载，请至下列网站。

http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe

①首先将看到下列左图画面。

②请按Next按钮，于第4个画面你将看到下列右图。

③请选择全部，然后按Next按钮，如下列左图。

④上述请使用默认目录安装，请按Next按钮，接着画面可以使用预设，下列右图是安装过程画面。

⑤下列左图是安装结束画面。

⑥安装完成后，下一步是将Tesseract-OCR所在的目录设定在Windows操作系统的path路径内，这样就不会有找不到文件的问题。首先打开控制面板的系统设置，如下列右图。

⑦选择高级系统设置，在高级选项卡单击环境变量按钮，在系统变量栏点path选项，会出现编辑系统变量对话框，请在变量值字段输入所安装Tesseract安装目录，如果是依照默认模式输入，路径如下：

 C:\Program Files (x86)\Tesseract-OCR

上述路径建议用复制方式处理，需留意不同路径的设定彼此以“;”隔开。

⑧完成后，请单击确定按钮。如果想要确定是否安装成功，可以在命令行窗口输入“tesseract -v”，如果列出版本信息，就表示设定成功了。

29-2　安装pytesseract模块

pytesseract是一个Python与Tesseract-OCR之间的接口程序，这个程序的官网就自称是Tesseract-OCR的wrapper，它会自行调用Tesseract-OCR的内部程序执行识别功能，我们调用pytesseract的方法，就可以完成识别工作，可以使用下列方式安装这个模块。

 pip install pytesseract

29-3　文字识别程序设计

安装完Tesseract-OCR后，预设情况下是可以执行英文和阿拉伯数字的识别，下列是笔者采用数字与英文的图片文件执行识别，并将结果印出(ch29_1.py)与印出和存储(ch29_2.py)，在使用pyte