Python 5分鐘搭建OCR伺服器，基本破解簡單的驗證碼！
Why？
OCR（又叫光學字元識別）已經成為Python的一個常用工具。隨著開源庫Tesseract和Ocrad的出現，越來越多的程式設計師用OCR來編寫自己的庫檔案和bot病毒。一個OCR的小例子，如用OCR直接從截圖中提取文字，省去了重新鍵入的麻煩。
學習Python中有不明白推薦加入交流群
號：516107834
群裡有志同道合的小夥伴，互幫互助，
群裡有不錯的學習教程！
開始的步驟
開始之前，我們需要開發一個後端服務層來表示OCR引擎的結果。這樣你就可以用你喜歡的方式來向端使用者表示你的結果。本文之後將會詳細介紹。除此之外，我們還需要新增一點後端程式碼來生成HTML表格，以及一些使用這些API的前段程式碼。這部分本文沒有講，但是你可以參閱原始碼。
準備好開始吧！
首先，需要安裝一些依賴項。這個過程也是非常有趣的。
本文已經在Ubuntu 14.04測試，但是12.x和13.x版本應該也可以。如果你用的是OSX系統，可以用VirtualBox，Docker（注意檢查有沒有包含Dockerfile和install guide），或者是DigitalOcean（推薦使用）來建立相應的環境。
OCR acronym definition speech bubble illustration
下載依賴項
我們需要Tesseract及其所有依賴項，包括Leptonica及其他相關的包。
注意：可以用_run.sh這個shell指令碼來快速安裝Leptonica和Tesseract的依賴包。如果這麼做的話，可以直接跳到搭建Web伺服器（跳轉連結）部分。但是為了學習，如果你以前沒有親手構建過庫檔案的話，還是建議嘗試一下。
$ sudo apt-get update $ sudo apt-get install autoconf automake libtool $ sudo apt-get install libpng12-dev $ sudo apt-get install libjpeg62-dev $ sudo apt-get install g++ $ sudo apt-get install libtiff4-dev $ sudo apt-get install libopencv-dev libtesseract-dev $ sudo apt-get install git $ sudo apt-get install cmake $ sudo apt-get install build-essential $ sudo apt-get install libleptonica-dev $ sudo apt-get install liblog4cplus-dev $ sudo apt-get install libcurl3-dev $ sudo apt-get install python2.7-dev $ sudo apt-get install tk8.5 tcl8.5 tk8.5-dev tcl8.5-dev $ sudo apt-get build-dep python-imaging --fix-missing
發生了什麼？
簡單說，sudo apt-get update意思就是更新包列表。然後就能安裝一些影象處理的包，如libtiff，libpng等等。除此之外，我們還需要安裝Python 2.7，作為我們的程式語言，以及python-imaging庫。
說起影象，在將程式裡面編輯影象之前我們還需要ImageMagick包。
$ sudo apt-get install imagemagick
構建Leptonica和Tesseract
再說一遍，如果你用_run.sh指令碼已經安裝過，就可以直接跳到搭建Web伺服器（跳轉連結）部分。
Leptonica
現在，開始安裝Leptonica。
$ wget http://www.leptonica.org/source/leptonica-1.70.tar.gz
$ tar -zxvf leptonica-1.70.tar.gz$ cd leptonica-1.70/
$ ./autobuild$ ./configure
$ make
$ sudo make install
$ sudo ldconfig
如果這是你第一次用tar的話，按照如下步驟操作：
1. 用wget下載Leptonica的二進位制檔案
2. 解壓
3. 用cd進入解壓後的資料夾
4. 執行autobuild和configure指令碼安裝
5. 執行make命令build
6. Build後安裝
7. 執行ldconfig建立相關的連結
OK，Leptonica建立好了，接下來就是Tesseract了。
Tesseract
現在下載並安裝Tesseract吧。
$ cd ..
$ wget https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.02.tar.gz
$ tar -zxvf tesseract-ocr-3.02.02.tar.gz$ cd tesseract-ocr/
$ ./autogen.sh
$ ./configure
$ make
$ sudo make install
$ sudo ldconfig
此處構建了一個Leptonica的映像，這部分的詳細資訊參考Leptonica的解釋。
環境變數
我們需要設定一個環境變數來訪問Tesseract資料：
$ export TESSDATA_PREFIX=/usr/local/share/
Tesseract包
最後安裝一下Tesseract相關的語言包：
$ cd ..
$ wget https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.eng.tar.gz
$ tar -xf tesseract-ocr-3.02.eng.tar.gz
$ sudo cp -r tesseract-ocr/tessdata
$TESSDATA_PREFIX
OK，Tesseract也安裝好了，可以CLI來測試一下。更多的資訊可以參考docs（超連結）。但是，我們還需要一個Python環境。所以，接下來安裝一個能夠接受以下兩種請求的Flask伺服器：
1. 接受影象URL
2. 能夠對影象進行字元識別
搭建Web伺服器
最有趣的事情來了!首先，我們需要構建一種通過Python和Tesseract互動的方式。我們可以使用popen，但是那不是python的風格。所以，我們可以使用一個非常小但是功能非常強大的Python包將Tesseract封裝起來——pytesseract（超連結）。
想要快點的話，就執行_app.sh指令碼，否則，點選這裡（超連結）獲取程式碼/結構的模板，然後執行一下命令：
$ wget https://github.com/rhgraysonii/ocr_tutorial/archive/v0.tar.gz
$ tar -xf v0.tar.gz
$ mv ocr_tutorial-0/* ../home/
$ cd ../home
$ sudo apt-get install python-virtualenv
$ virtualenv env
$ source env/bin/activate
$ pip install -r requirements.txt
注意：Flask模板（有Real Python（超連結）維護）是一個獲取簡單的具有Python風格的伺服器的非常棒的庫。本文將它用來作為基本程式。點選這裡（超連結）獲取更多資訊。
安裝OCR引擎
現在，我們需要用pytesseract來建立一個類來讀取圖片。在flask_server目錄下建立一個新的檔案ocr.py，寫入如下程式碼：
import pytesseract
import requests
from PIL import Image
from PIL import ImageFilter
from StringIO import StringIO
def process_image(url):
image = _get_image(url)
image.filter(ImageFilter.SHARPEN)
return pytesseract.image_to_string(image)
def _get_image(url):
return Image.open(StringIO(requests.get(url).content))
非常好！
主方法process_image()的功能是銳化影象文字。
現在，這個模組已經可以用了。
可選項：為你的OCR引擎建立一個CLI工具
做了這麼多繁瑣配置工作，讓我們來建立一個CLI工具來調節一下心情吧。在flask_server目錄下建立一個新的檔案cli.py，寫入如下程式碼：
import sys
import requests
import pytesseract
from PIL import Image
from StringIO import StringIO
def get_image(url):
return Image.open(StringIO(requests.get(url).content))
if __name__ == '__main__':
"""Tool to test the raw output of pytesseract with a given input URL"""
sys.stdout.write("""
===OOOO=====CCCCC===RRRRRR=====
==OO==OO===CC=======RR===RR====
==OO==OO===CC=======RR===RR====
==OO==OO===CC=======RRRRRR=====
==OO==OO===CC=======RR==RR=====
==OO==OO===CC=======RR== RR====
===OOOO=====CCCCC===RR====RR===
""")
sys.stdout.write("A simple OCR utility
")
url = raw_input("What is the url of the image you would like to analyze?
")
image = get_image(url)
sys.stdout.write("The raw output from tesseract with no processing is:
")
sys.stdout.write("-----------------BEGIN-----------------
")
sys.stdout.write(pytesseract.image_to_string(image) + "
")
sys.stdout.write("------------------END------------------
")
非常簡單。之後我們就能看到從我們的OCR引擎中輸出到標準輸出STDOUT上的文字了。執行python flask_server/cli.py來試一下吧。
回到伺服器
既然我們已經安裝好了OCR引擎，接下來該準備輸出了。講下面的程式碼加入到
app.py檔案：
@app.route('/v{}/ocr'.format(_VERSION), methods=["POST"])
def ocr():
try:
url = request.json['image_url']
if 'jpg' in url:
output = process_image(url)
return jsonify({"output": output})
else:
return jsonify({"error": "only .jpg files, please"})
except:
return jsonify(
{"error": "Did you mean to send: {'image_url': 'some_jpeg_url'}"}
)
確保引入的下列包是最新的：
import os
import logging
from logging import Formatter, FileHandler
from flask import Flask, request, jsonify
from ocr import process_image
最後，新增一行API版本號：
_VERSION = 1 # API version
從程式碼中可以看到，我們以PIL中Image檔案物件的方式把JSON的響應傳入引擎的process_image()方法中。並且，就目前而言，它只支援.jpg圖片。
注意:如果PIL包沒有安裝的話，可以用Pillow包來代替。PIL有一些問題還沒有解決，Python社群對它的看法也不統一，詳細情況可以自行Google。
測試
執行你的程式：
$ cd ../home/flask_server/
$ python app.py
然後，在另外一個終端執行：
$ curl -X POST http://localhost:5000/v1/ocr -d '{"image_url": "some_url"}' -H "Content-Type: application/json"
例子
$ curl -X POST http://localhost:5000/v1/ocr -d '{"image_url": "https://www.realpython.com/images/blog_images/ocr/ocr.jpg"}' -H "Content-Type: application/json"
{
"output": "ABCDE
FGH I J
KLMNO
PQRST"
}
前端
現在後端OCR引擎的API已經準備好了，我們可以增加一個基本的前端來使用這些API，並將結果通過AJAX和jQuery新增到DOM中。這部分內容本文就不講了，詳見這裡（超連結）。
用下面的樣本來測試一下：
https://www.realpython.com/images/blog_images/ocr/ocr.jpg
https://www.realpython.com/images/blog_images/ocr/sample1.jpg
https://www.realpython.com/images/blog_images/ocr/sample2.jpg
https://www.realpython.com/images/blog_images/ocr/sample3.jpg
https://www.realpython.com/images/blog_images/ocr/sample4.jpg
https://www.realpython.com/images/blog_images/ocr/sample5.jpg