学习爬虫第九天 图片验证码识别之tesseract库

1. 图像验证码识别技术

1-1. 介绍

介绍： 阻碍我们爬⾍的。有时候正是在登录或者请求⼀些数据时候的图形验证码。因此这⾥我们讲解⼀种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），简写为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。因此开源的⽐较少。这⾥介绍⼀个⽐较优秀的图像识别开源库：Tesseract。

2. Tesseract库

2-1. 定义

定义： Tesseract是⼀个将图像翻译成⽂字的OCR(光学⽂字识别,OpticalCharacter Recognition),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。

2-2. 安装

2-2-1. 在Windows系统安装

1. 下载可执行文件： https://github.com/tesseract-ocr/

2-1.Python中调用Tesseract： `pip install pytesseract

2-2. ubuntu下安装： sudo apt install tesseract-ocr

2-2-2. 设置环境变量

安装完成后，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的是，要把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

2-3. tesseract的简单使用

2-3-1. 在命令行中使用

参数： tesseract 图片路径 文件路径

使用示例：

tesseract demo.png a

tips: 识别中文图像，需要下载语音安装包

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

2-3-2. 在python中使用

使用示例： (可直接使用)

import pytesseract
from PIL import Image	# 没有的 需要安装 PIL

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

2-3-3. 打码云平台

使用示例：

import json
import requests
import base64
from io import BytesIO
from PIL import Image
from sys import version_info


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__":
    img_path = "captcha1.png"
    img = Image.open(img_path)
    result = base64_api(uname='logic', pwd='logic123', img=img)
    print(result)