Python第三方模块tesserocr安装

介绍

在爬虫过程当中，不免会遇到各类各样的验证码，而大多数验证码仍是图形验证码，这时候咱们能够直接用 OCR 来识别。

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。

  

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

Windows下的安装

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，即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 便可：

pip install tesserocr pillow

若是经过 pip 安装失败，能够尝试 Anaconda 下的 conda 来安装：

conda install -c simonflueckiger tesserocr pillow

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 image.png result -l eng 

 运行结果以下：

Tesseract Open Source OCR Engine v3.05.01 with Leptonica

（2）利用 Python 代码测试：

import tesserocr
from PIL import Image

image = Image.open('image.png')
result = tesserocr.image_to_text(image)
print(result)

运行结果以下：

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：

import tesserocr

print(tesserocr.file_to_text('image.png'))

运行结果以下：

PythonWebSpider

若是成功输出结果，则证实 tesseract 和 tesserocr 都已经安装成功。