Tesseract的安裝及配置

在Python爬蟲過程中，難免遇到各種各樣的驗證碼問題，最簡單的就是​這種驗證碼了，那麼在遇到驗證碼的時候該怎麼辦呢？我們就需要OCR技術了，OCR-即Optical Character Recognition光學字元識別，是指通過掃描字元，然後將其形狀翻譯成電子文字的過程。而tesserocr是Python的一個OCR識別庫，所以在安裝tesserocr之前，我們需要安裝tesseract這個東西

下載地址：https://digi.bib.uni-mannheim.de/tesseract/ 可以選擇下載不帶dev的穩定版本，我下載的是3.05.01版本的，不過這個版本的可能比較早了，識別能力不是很厲害，讀者可以選擇下載最新版本的3.05.02，識別能力應該會好很多。

下載完就是一路雙擊，在最後的Additional Language data(download)選上這個選項，是OCR支援各種語言的包，然後繼續安裝，直到安裝成功。

我的安裝路徑為：G:\Program Files (x86)\Tesseract-OCR

​

安裝完成後就得需要配置環境變數，開啟環境變數設定，在path中加入如下

​的設定，這樣tesseract就安裝成功並配置完成了、

tesserocr庫的安裝

剛開始我直接在cmd下輸入 pip install tesserocr 很不幸報錯了，報錯類似於如下。。。因為之前我的報錯，沒有截圖。所以。。

​

就是類似於這種的截圖，這該怎麼辦，難道要去下載visual C++嗎？我們有更好的解決方法，下載對應的.whl檔案

下載地址：https://github.com/simonflueckiger/tesserocr-windows_build/releases 一定要下載對應版本的

​

我的是3.5.1，所以我下載的是這個版本的。讀者可以自行選擇。

我的tesserocr-2.2.2-cp36-cp36m-win_amd64.whl檔案下載在G盤根目錄下，然後在cmd裡輸入 pip install G:\tesserocr-2.2.2-cp36-cp36m-win_amd64.whl 開始安裝whl檔案，發現報錯了。提示不能安裝whl檔案。。原來是沒有安裝wheel。

然後我就去安裝了wheel 直接 pip install wheel即可。

安裝成功 在輸入 pip install G:\tesserocr-2.2.2-cp36-cp36m-win_amd64.whl 發現開始安裝了。

哎心累啊，總算弄好了。但是，我在pycharm中呼叫tesserocr 這個庫，他又提示報錯了，這是為什麼呢？百度了一下最終解決。

原來需要在pycharm下的terrminal下輸入如下圖：

​

如果報錯了還得有一步操作。

將Tesseract-OCR下的tessdata檔案複製到你的Python安裝路徑的scripts下：

​

這樣

​

這下應該就徹底安裝成功了。。

這下在pycharm裡總算不會報錯了，我們來試一下識別這兩張圖片的效果

​

​

程式碼：

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))

輸出結果如下：

​將762408識別成了162408 我也很無奈呀。。。可能是因為版本太菜了吧

以上就是我安裝tesserocr遇到的問題及解決辦法了。其實還可以裝pytesseract這個庫。

安裝pytesseract庫

安裝這個pytesseract庫可比tesserocr方便多了，根本不會報錯，直接pip install pytesseract 完事。。pycharm直接搜尋庫

​

然後下載就完事，多省事。。。。

看一下識別效果，還是同樣的兩張圖片。

程式碼：

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))

執行結果：

​執行結果一樣的，所以我推薦大家使用pytesseract這個庫。

驗證碼識別問題

我開啟知乎登入介面，下載了一張驗證碼圖片：​ 開始識別它。

程式碼如下：

import pytesseract
from PIL import Image
import tesserocr



#簡單驗證  特別垃圾
image=Image.open('3.jpg')
result=tesserocr.image_to_text(image)
print(result)


#完全驗證 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()  #二值化灰度處理圖片顯示
result=pytesseract.image_to_string(image2)
print(result)

執行結果：

​都識別失敗了，，，

賊無語，但是灰度化和二值化後的圖片已經很清晰了。。​我都能看出來是H83G了，你識別個H535是個什麼鬼。。綜上，這個庫吧，可能效果也不是那麼好。先湊活用吧。。