python下調用pytesseract識別某網站驗證碼
轉自：https://www.cnblogs.com/zhongtang/p/5560361.html
一、pytesseract介紹
1、pytesseract說明
pytesseract最新版本0.1.6，網址：https://pypi.python.org/pypi/pytesseract
Python-tesseract is a wrapper for google‘s Tesseract-OCR
( http://code.google.com/p/tesseract-ocr/ ). It is also useful as a
stand-alone invocation script to tesseract, as it can read all image types
supported by the Python Imaging Library, including jpeg, png, gif, bmp, tiff,
and others, whereas tesseract-ocr by default only supports tiff and bmp.
Additionally, if used as a script, Python-tesseract will print the recognized
text in stead of writing it to a file. Support for confidence estimates and
bounding box data is planned for future releases.
翻譯一下大意：
a、Python-tesseract是一個基於google‘s Tesseract-OCR的獨立封裝包；
b、Python-tesseract功能是識別圖片文件中文字，並作為返回參數返回識別結果；
c、Python-tesseract默認支持tiff、bmp格式圖片，只有在安裝PIL之後，才能支持jpeg、gif、png等其他圖片格式；
2、pytesseract安裝
INSTALLATION:
Prerequisites:
* Python-tesseract requires python 2.5 or later or python 3.
the package "python-imaging" or "python3-imaging" for python3.
* Install google tesseract-ocr from http://code.google.com/p/tesseract-ocr/ .
You must be able to invoke the tesseract command as "tesseract". If this
isn‘t the case, for example because tesseract isn‘t in your PATH, you will
have to change the "tesseract_cmd" variable at the top of ‘tesseract.py‘.
Under Debian/Ubuntu you can use the package "tesseract-ocr".
Installing via pip:
See the [pytesseract package page](https://pypi.python.org/pypi/pytesseract)
```
$> sudo pip install pytesseract
翻譯一下：
a、Python-tesseract支持python2.5及更高版本；
b、Python-tesseract需要安裝PIL（Python Imaging Library） ，來支持更多的圖片格式；
c、Python-tesseract需要安裝tesseract-ocr安裝包，具體參看上一篇博文。
綜上，Pytesseract原理：
1、上一篇博文中提到，執行命令行 tesseract.exe 1.png output -l eng ，可以識別1.png中文字，並把識別結果輸出到output.txt中；
2、Pytesseract對上述過程進行了二次封裝，自動調用tesseract.exe，並讀取output.txt文件的內容，作為函數的返回值進行返回。
二、pytesseract使用
USAGE:
```
> try:
> import Image
> except ImportError:
> from PIL import Image
> import pytesseract
> print(pytesseract.image_to_string(Image.open(‘test.png‘)))
> print(pytesseract.image_to_string(Image.open(‘test-european.jpg‘), lang=‘fra‘))
可以看到：
1、核心代碼就是image_to_string函數，該函數還支持-l eng 參數，支持-psm 參數。
用法：
image_to_string(Image.open(‘test.png‘),lang="eng" config="-psm 7")
2、pytesseract裏調用了image，所以才需要PIL，其實tesseract.exe本身是支持jpeg、png等圖片格式的。
實例代碼，識別某公共網站的驗證碼(大家千萬別幹壞事啊，思慮再三，最後還是隱掉網站域名，大家去找別的網站試試吧……)：
View Code
三、pytesseract代碼優化
上述程序在windows平臺運行時，會發現有黑色的控制臺窗口一閃而過的畫面，不太友好。
略微修改了pytesseract.py（C:\Python27\Lib\site-packages\pytesseract目錄下），把上述過程進行了隱藏。
# modified by zhongtang hide console window
# new code
IS_WIN32 = ‘win32‘ in str(sys.platform).lower()
if IS_WIN32:
startupinfo = subprocess.STARTUPINFO()
startupinfo.dwFlags |= subprocess.STARTF_USESHOWWINDOW
startupinfo.wShowWindow = subprocess.SW_HIDE
proc = subprocess.Popen(command,
stderr=subprocess.PIPE,startupinfo=startupinfo)
‘‘‘
# old code
proc = subprocess.Popen(command,
stderr=subprocess.PIPE)
‘‘‘
# modified end
為了方便初學者，把pytesseract.py也貼出來，高手自行忽略。
View Code
以上……
python下調用pytesseract識別某網站驗證碼