Tesseract的安装和使用
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。这⾥介绍⼀个⽐较优秀的图像识别开源库:Tesseract。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具有很⾼的识别度,也具有很⾼
1、图形验证码识别技术
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
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。
3、Windows系统安装
以下是关于Tesseract的常用网址
下载地址:https://digi.bib.uni-mannheim.de/tesseract/
官方网站:https://github.com/tesseract-ocr/tesseract
官方文档:https://github.com/tesseract-ocr/tessdoc
语言包地址:https://github.com/tesseract-ocr/tessdata
在Python中调⽤Tesseract:
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pytesseract
4、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
5、在代码中使⽤tesseract识别图像
import pytesseract
from PIL import Image
pytesseract.pytesseract.tesseract_cmd = r'D:\Program Files\Tesseract-OCR\tesseract.exe'
tessdata_dir_config = r'--tessdata-dir "D:\Program Files\Tesseract-OCR\tessdata"'
image = Image.open('demo.jpg')
print(pytesseract.image_to_string(image, lang='eng', config=tessdata_dir_config))
⽤pytesseract处理图形验证码
import pytesseract
from urllib import request
from PIL import Image
import time
pytesseract.pytesseract.tesseract_cmd = r'D:\Program Files\Tesseract-OCR\tesseract.exe'
tessdata_dir_config = r'--tessdata-dir "D:\Program Files\Tesseract-OCR\tessdata"'
while True:
url = "https://passport.lagou.com/vcode/create?from=register&refresh=1513081451891"
request.urlretrieve(url, 'captcha.png')
image = Image.open('captcha.png')
text = pytesseract.image_to_string(image, lang='eng', config=tessdata_dir_config)
print(text)
time.sleep(2)
6、打码平台
平台url:http://www.ttshitu.com/
更多推荐
所有评论(0)