爬虫-识别图形验证码-tesserocr

引入：

　　在学习爬虫的过程当中，须要解决识别图形验证码的这一难题，网上推荐的方法都是经过tesserocr模块来实现，下面就是安装步骤以及过程当中遇到的问题，记录一下。

介绍：

tesserocr 是 Python 的一个 OCR 识别库 ，但实际上是对 tesseract 作的一 层 Python API 封装，因此它的核心是 tesseract。 所以，在安装 tesserocr 以前，咱们须要先安装 tesseract 。例如：对于下图的验证码，咱们能够经过 OCR 技术将其转换成电子文本，而后爬虫将识别的结果提交给服务器，即可以达到自动识别验证码的过程。

个人环境：

OS：win10

python：3.6.5

相关连接

tesserocr GitHub: https://github.com/sirfz/tesserocr

tesserocr PyPI: https://pypi.python.org/pypi/tesserocr

tesseract 下载地址: http://digi.bib.uni-mannheim.de/tesseract

tesseract GitHub: https://github.com/tesseract-ocr/tesseract

tesseract 语言包: http://github.com/tesseract-ocr/tessdata

tesseract 文档: https://github.com/tesseract-ocr/tesseract/wiki/Documentation

安装

在 Windows 下，首先须要下载 tesseract，它为 tesserocr 提供了支持。

进入下载页面，能够看到有各类 .exe 文件的下载列表，这里能够选择下载 3.0 版本 。 以下图所示为 3.05 版本 。

 

其中文件名中带有 dev 的为开发版本，不带 dev 的为稳定版本，能够选择下载不带 dev 的版本， 例如能够选择下载 tesseract-ocr-setup-3 .05.01.exe。 下载完成后双击运行，安装程序。须要注意的是，须要句选 Additional language data(download）选项来安装 OCR 识别支持的语言包，这样 OCR 即可以识别多国语言 

给tesseract配置环境变量：

（1）将tesseract安装路径添加到path环境变量中

（2）将tesseract的语言包添加到环境变量中，在环境变量中新建一个系统变量，变量名称为TESSDATA_PREFIX，tessdata是放置语言包的文件夹，通常在你安装tesseract的目录下，tesseract的安装目录就是tessdata的父目录，把TESSDATA_PREFIX的值设置为它便可

接下来 ， 再安装 tesserocr ：

pip install tesserocr pillow

pip安装tesserocr时出错：

在命令行中输入：pip3 install tesserocr pillow ,一直出现error: Microsoft Visual C++ 14.0 is required. Get it with “Microsoft Visual C++ Build Tools”: http://landinghub.visualstudio.com/visual-cpp-build-tools错误。

解决办法：

用.whl文件下载tesserocr库，就不会出现这个问题，下载地址：

https://github.com/simonflueckiger/tesserocr-windows_build/releases

我下载的是tesserocr-2.4.0-cp36-cp36m-win_amd64.whl，而后在命令行中输入：

pip install tesserocr-2.4.0-cp36-cp36m-win_amd64.whl

安装成功，问题解决

 

验证安装

测试样例：

图片下载：http://images.cnblogs.com/cnblogs_com/Jimc/1316973/o_image.png

（1）用 tesseract 命令测试：

tesseract test.png stdout -l eng

 运行结果以下：

 （2）利用 Python 代码测试：

Python 3.6.5 (v3.6.5:f59c0932b4, Mar 28 2018, 17:00:18) [MSC v.1900 64 bit (AMD64)] on win32 Type "help", "copyright", "credits" or "license" for more information. >>> import tesserocr >>> from PIL import Image >>> image = Image.open(r'C:\Users\Tianl\test.png') >>> result = tesserocr.image_to_text(image) >>> print(result) PythonWebSpider >>>

另外，还能够直接调用 tesserocr 模块的 file_to_text() 方法，能够达到一样的效果：

Python 3.6.5 (v3.6.5:f59c0932b4, Mar 28 2018, 17:00:18) [MSC v.1900 64 bit (AMD64)] on win32 Type "help", "copyright", "credits" or "license" for more information. >>> import tesserocr >>> print(tesserocr.file_to_text(r'C:\Users\Tianl\test.png')) PythonWebSpider >>>

若是成功输出结果，则证实 tesseract 和 tesserocr 都已经安装成功，以上是安装以及简单使用。

 pycharm中安装导入tesserocr

直接把上面经过pip安装好的文件夹拷贝到pycharm建立的项目的site-packages目录中便可使用