tesseract安装及简介

阻碍我们爬虫的有时候就是登陆或者请求一些数据的时候的图形验证码。因此这里我们讲解一些能将图片翻译成文字的技术。将图片翻译成文字一般被称为光学文字识别（Optical Character Recognition），简写OCR。实现OCR的库不是很多，特别是开源的，因为这块存在一定的技术壁垒（需要大量的数据、算法、机器学习、深度学习知识等），并且如果做好了具有很高的商业价值，说到这里了，大家都知道为啥开源的不多了吧，这里介绍一个比较优秀的开源图像识别库：Tesseract

• Tesseract是一个将图像翻译成文字的OCR，目前由谷歌赞助。Tesseract是目前公认最优秀、最准确的开源OCR库，Tesseract具有很高的识别度，也具有很高的灵活性，他可以通过训练识别任何字体
• Windows系统安装 在以下链接下载可执行文件,https://github.com/tesseract-ocr/

在Python中调用Tesseract

pip install pytesseract

• 设置环境变量
  完成后如果想要在命令行中使用tesseract，那么应该设置环境变量，Mac和Linux在安装的时候就默认已经设置好了。在Windows下把tesseract.exe所在的路径添加到PATH环境变量中。
  还有一个环境变量需要设置，需要吧训练的数据文件路径也放到环境变量中，在环境变量中添加一个

TESSDATA_PREFIX=D:\Tesseract-OCR\tessdata

• 进入cmd输入下面的命令查看版本，正常运行则安装成功

tesseract --version

• 在命令行中使用tesseract
  tesseract 图片路径 识别后图片保存文件路径

  
  
  image.png

识别中文图像,需要下载语言安装包

URL地址：https://github.com/tesseract-ocr/tessdat

在代码中使用tesseract识别图像

import pytesseract
from PIL import Image

pytesseract.pytesseract.tesseract_cmd = r'D:\Tesseract-OCR\tesseract.exe'
tessdata_dir_config = r'--tessdata-dir "D:\Tesseract-OCR\tessdata"'
image = Image.open('code.png')
print(pytesseract.image_to_string(image, lang='eng', config=tessdata_dir_config))

用pytesseract处理图形验证码

验证码URL：https://passport.lagou.com/vcode/create?from=register&refresh=1513081451891

import pytesseract
from urllib import request
from PIL import Image
import time

def translate():
    pytesseract.pytesseract.tesseract_cmd = r'D:\Tesseract-OCR\tesseract.exe'
    tesserdata_dir_config = r'--tessdata-dir "D:\Tesseract-OCR\tessdata"'
    while True:
        url = 'https://passport.lagou.com/vcode/create?from=register&refresh=1513081451891'
        request.urlretrieve(url, 'demo.png')

        image = Image.open('demo.png')
        print(pytesseract.image_to_string(image, lang='eng', config=tesserdata_dir_config))
        time.sleep(2)

if __name__ == '__main__':
    translate()

打码云平台

URL：http://www.ttshitu.com/user/index.html

import json
import requests
import base64
from io import BytesIO
from PIL import Image
from sys import version_info
from urllib import request
import time


def base64_api(uname, pwd,  img):
    img = img.convert('RGB')
    buffered = BytesIO()
    img.save(buffered, format="JPEG")
    if version_info.major >= 3:
        b64 = str(base64.b64encode(buffered.getvalue()), encoding='utf-8')
    else:
        b64 = str(base64.b64encode(buffered.getvalue()))
    data = {"username": uname, "password": pwd, "image": b64}
    result = json.loads(requests.post("http://api.ttshitu.com/base64", json=data).text)
    if result['success']:
        return result["data"]["result"]
    else:
        return result["message"]
    return ""


if __name__ == "__main__":
    while True:
        url = 'https://passport.lagou.com/vcode/create?from=register&refresh=1513081451891'
        request.urlretrieve(url, 'demo.png')
        img_path = "demo.png"
        img = Image.open(img_path)
        # image = Image.open('demo.png')

        result = base64_api(uname='logic_Jerry', pwd='jerry123', img=img)
        print(result)
        time.sleep(3)