tesseract的安装及配置
在python爬虫过程中，难免遇到各种各样的验证码问题，最简单的就是
这种验证码了，那么在遇到验证码的时候该怎么办呢？我们就需要ocr技术了，ocr-即optical character recognition光学字符识别，是指通过扫描字符，然后将其形状翻译成电子文本的过程。而tesserocr是python的一个ocr识别库，所以在安装tesserocr之前，我们需要安装tesseract这个东西
下载地址：https://digi.bib.uni-mannheim.de/tesseract/可以选择下载不带dev的稳定版本，我下载的是3.05.01版本的，不过这个版本的可能比较早了，识别能力不是很厉害，读者可以选择下载最新版本的3.05.02，识别能力应该会好很多。
下载完就是一路双击，在最后的additional language data(download)选上这个选项，是ocr支持各种语言的包，然后继续安装，直到安装成功。
我的安装路径为：g:\program files (x86)\tesseract-ocr
安装完成后就得需要配置环境变量，打开环境变量设置，在path中加入如下
的设置，这样tesseract就安装成功并配置完成了、
tesserocr库的安装
刚开始我直接在cmd下输入 pip install tesserocr 很不幸报错了，报错类似于如下。。。因为之前我的报错，没有截图。所以。。
就是类似于这种的截图，这该怎么办，难道要去下载visual c++吗？我们有更好的解决方法，下载对应的.whl文件
下载地址：https://github.com/simonflueckiger/tesserocr-windows_build/releases 一定要下载对应版本的
我的是3.5.1，所以我下载的是这个版本的。读者可以自行选择。
我的tesserocr-2.2.2-cp36-cp36m-win_amd64.whl文件下载在g盘根目录下，然后在cmd里输入 pip install g:\tesserocr-2.2.2-cp36-cp36m-win_amd64.whl 开始安装whl文件，发现报错了。提示不能安装whl文件。。原来是没有安装wheel。
然后我就去安装了wheel 直接 pip install wheel即可。
安装成功 在输入pip install g:\tesserocr-2.2.2-cp36-cp36m-win_amd64.whl 发现开始安装了。
哎心累啊，总算弄好了。但是，我在pycharm中调用tesserocr 这个库，他又提示报错了，这是为什么呢？百度了一下最终解决。
原来需要在pycharm下的terrminal下输入如下图：
如果报错了还得有一步操作。
将tesseract-ocr下的tessdata文件复制到你的python安装路径的scripts下：
这样
这下应该就彻底安装成功了。。
这下在pycharm里总算不会报错了，我们来试一下识别这两张图片的效果
代码：
|
1
2
3
4
5
6
7
|
from pil import image
import tesserocr
imag=image.open('test.jpg')
print(tesserocr.image_to_text(imag))
imag1=image.open('image.png')
print(tesserocr.image_to_text(imag1))
|
输出结果如下：
将762408识别成了162408 我也很无奈呀。。。可能是因为版本太菜了吧
以上就是我安装tesserocr遇到的问题及解决办法了。其实还可以装pytesseract这个库。
安装pytesseract库
安装这个pytesseract库可比tesserocr方便多了，根本不会报错，直接pip install pytesseract 完事。。pycharm直接搜索库
然后下载就完事，多省事。。。。
看一下识别效果，还是同样的两张图片。
代码：
|
1
2
3
4
5
6
7
8
|
import pytesseract
from pil import image
import tesserocr
im=image.open('test.jpg')
print(pytesseract.image_to_string(im))
im1=image.open('image.png')
print(pytesseract.image_to_string(im1))
|
运行结果：
运行结果一样的，所以我推荐大家使用pytesseract这个库。
验证码识别问题
我打开知乎登录界面，下载了一张验证码图片：
开始识别它。
代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
|
import pytesseract
from pil import image
import tesserocr
#简单验证 特别垃圾
image=image.open('3.jpg')
result=tesserocr.image_to_text(image)
print(result)
#完全验证 也不咋地。。
image1=image.open('3.jpg')
image1=image1.convert('l')
threshold=127
table=[]
for i in range(256):
if i <threshold:
table.append(0)
else:
table.append(1)
image2=image1.point(table,'1')
image2.show() #二值化灰度处理图片显示
result=pytesseract.image_to_string(image2)
print(result)
|
运行结果：
都识别失败了，，，
贼无语，但是灰度化和二值化后的图片已经很清晰了。。
我都能看出来是h83g了，你识别个h535是个什么鬼。。综上，这个库吧，可能效果也不是那么好。先凑活用吧。。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://www.cnblogs.com/yuxuanlian/p/10122702.html