用Tesseract-OCR识别网站图形验证码

Tesseract简介

OCR是什么？OCR(Optical Character Recognition):光学字符识别,简单来说就是识别图片上的文字获取，然后转换成一些我们需要的编码格式，当然当中的实现与ANN，deep learning有所关系，这是后话了，好用就行。

Tesseract是什么？Tesseract是一款开源的OCR识别引擎，一开始是由HP实验室挖坑的，开源后就给Google进行继续填坑了。最初Tesseract发布在SourceForge，googleCode，不过到今天（2016年12月30日），这个项目基本扎根在gayhub上了。

那么最后Tesseract有什么用？为什么使用Tesseract？显然的验证码识别可以使用Tesseract，至于为什么，当然是因为使用起来非常非常的简单，你不需要任何相关的知识就可以把Tesseract移植到自己的代码中。


如何获取Tesseract

获取Tesseract的方法非常简单，直接登录gayhub就可以了。当然如果你希望下载快一点的话，你应该使用一些科学上网的手段。


一.你可以使用下面的链接来获取tesseract


https://github.com/tesseract-ocr

 
然后点击Clone or download，如果你没用gayhub for windows的话，你可以直接点击download Zip
 


编译Tesseract的准备工作

当然光有Tesseract还不够，Windows平台你还需要下面三个工具。


1.Visual studio 2015（至少是2013以后版本），必须支持C++ 11。


你可以在这个连接中下载到Visual Studio 2015：
https://www.visualstudio.com/


2.你还需要cppan和CMake将Tesseract转换为Visual Studio 2015可以编译的项目。


CPPAN下载地址：
https://cppan.org/client/cppan-master-Windows-client.zip
CMAKE下载地址：
https://cmake.org/download/

当你全部搞定后，你应该有类似下面几个文件 
  现在你需要做以下事情
1. 安装CMake，然后重启你的电脑。
2.把tesseract解压出来，解压完成后大概是这个样子
 
解压cppan，然后把解压出来的cppan.exe它分别放在tesseract的目录和cmake的安装目录下，如图1.1，1.2。
      
图1.1
               
图1.2

编译Tesseract

一、打开cmd，cd到tesseract的解压目录（为了方便我把tesseract-master重命名为tesseract了）
 


然后依次输入下面的命令：
1. cppan
2. mkdir build
3. cd build
4. cmake ..
不出意外的话，你应该看到这个：
 

二、然后进入tesseract目录下的build目录，应该就可以看到visual studio 2015的项目文件了。
 

三、双击这个项目文件，启动visual studio 2015，在项目中，找到tesseract，点击鼠标右键，将发布版本切换为release，单击build，然后去泡一杯咖啡，慢慢坐着等。
 


四、假如不出意外的话，你应该看得到这个错误
 

双击这个错误，找到那个报错的源代码文件，将那个文件用记事本打开，以UTF-8的编码格式保存，没错，就是这个文件
 

然后重新编译一次，这回不出意外的话，你应该看得到这个
 

编译结束后，你应该可以在tesseract的文件下找到下面的目录
Tesseract\build\bin\Release
里面的文件类似于这样
 

使用tesseract编程识别验证码

1、打开Visual studio 2015，新建一个空项目，创建一个Main.cpp

2、将Tesseract\build\bin\Release目录下的所有文件拷贝到这个项目目录下。

3.将Tesseract这个目录拷贝到这个项目的文件夹下

4.将C:\Users\你的名字\.cppan这个目录拷贝到项目文件夹下。

5.从这里下载一个tesseract-ocr-3.02.eng英文包：http://download.csdn.net/detail/coverupsorrow/8336781；解压后把解压出来的文件放在Tesseract目录下的tessdata

完成后，应该是这个样子。
 
回到Visual Studio 2015，将额外的include的目录写入项目配置中。
 
 

打开__Main.cpp编写DEMO代码

#pragma comment(lib,"tesseract305.lib")
#pragma comment(lib,"pvt.cppan.demo.danbloomberg.leptonica-1.74.0.lib")
#pragma comment(lib,"pvt.cppan.demo.jpeg-9.2.0.lib")
#pragma comment(lib,"pvt.cppan.demo.openjpeg.openjp2-2.1.2.lib")
#pragma comment(lib,"pvt.cppan.demo.png-1.6.27.lib")
#pragma comment(lib,"pvt.cppan.demo.tiff-4.0.7.lib")
#pragma comment(lib,"pvt.cppan.demo.unicode.icu.common-58.2.0.lib")
#pragma comment(lib,"pvt.cppan.demo.unicode.icu.data-58.2.0.lib")
#pragma comment(lib,"pvt.cppan.demo.unicode.icu.i18n-58.2.0.lib")
#pragma comment(lib,"pvt.cppan.demo.xz_utils.lzma-5.2.2.lib")
#pragma comment(lib,"pvt.cppan.demo.zlib-1.2.8.lib")
 
#include <iostream>
#include <memory>
 
#include <allheaders.h> // leptonica main header for image io
#include <baseapi.h> // tesseract main header
 
int main()
{
 
    tesseract::TessBaseAPI tess;
 
    if (tess.Init("D:\\Validata\\Validata\\tesseract\\tessdata", "eng"))
    {
        std::cout << "OCRTesseract: Could not initialize tesseract." << std::endl;
        return 1;
    }
 
    // setup
    tess.SetPageSegMode(tesseract::PageSegMode::PSM_AUTO);
    tess.SetVariable("save_best_choices", "T");
 
    // read image
    auto pixs = pixRead("D:/validateCode.jpg");//这里自行修改为需要识别的图片
    if (!pixs)
    {
        std::cout << "Cannot open input file" << std::endl;
        return 1;
    }
 
    // recognize
    tess.SetImage(pixs);
    tess.Recognize(0);
 
    // get result and delete[] returned char* string
    std::cout << tess.GetUTF8Text()<< std::endl;
 
    // cleanup
    tess.Clear();
    pixDestroy(&pixs);
    getchar();
    return 0;
}

载一个验证码图片，鉴于我们使用的是默认的识别库，找一些不大复杂的，例如这个
 

我将这个文件放在了D:/validateCode.jpg，也就是源代码写的那样。
运行DEMO，结果如下，成功识别了验证码：