引入:

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

介绍:

tesserocr 是 Python 的一个 OCR 识别库 ,但其实是对 tesseract 做的一 层 Python API 封装,所以它的核心是 tesseract。 因此,在安装 tesserocr 之前,我们需要先安装 tesseract 。例如:对于下图的验证码,我们可以通过 OCR 技术将其转换成电子文本,然后爬虫将识别的结果提交给服务器,便可以达到自动识别验证码的过程。

爬虫-识别图形验证码-tesserocr

我的环境:

OS:win10

python:3.6.5

相关链接

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,首先需要下载 tesseract,它为 tesserocr 提供了支持。

进入下载页面,可以看到有各种 .exe 文件的下载列表,这里可以选择下载 3.0 版本 。 如下图所示为 3.05 版本 。

 爬虫-识别图形验证码-tesserocr

其中文件名中带有 dev 的为开发版本,不带 dev 的为稳定版本,可以选择下载不带 dev 的版本, 例如可以选择下载 tesseract-ocr-setup-3 .05.01.exe。

下载完成后双击运行,安装程序。需要注意的是,需要句选 Additional language data(download)选项来安装 OCR 识别支持的语言包,这样 OCR 便可以识别多国语言 

给tesseract配置环境变量:

(1)将tesseract安装路径添加到path环境变量中

爬虫-识别图形验证码-tesserocr

(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,一般在你安装tesseract的目录下,tesseract的安装目录就是tessdata的父目录,把TESSDATA_PREFIX的值设置为它即可

爬虫-识别图形验证码-tesserocr

接下来 , 再安装 tesserocr :

pip install tesserocr pillow

pip安装tesserocr时出错:

爬虫-识别图形验证码-tesserocr

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,然后在命令行中输入:

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

安装成功,问题解决

 爬虫-识别图形验证码-tesserocr

验证安装

测试样例:

爬虫-识别图形验证码-tesserocr

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

(1)用 tesseract 命令测试:

tesseract test.png stdout -l eng 

 运行结果如下:

爬虫-识别图形验证码-tesserocr

 (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

>>>

爬虫-识别图形验证码-tesserocr

另外,还可以直接调用 tesserocr 模块的 file_to_text() 方法,可以达到同样的效果:

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

>>>

爬虫-识别图形验证码-tesserocr

如果成功输出结果,则证明 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

直接把上面通过pip安装好的文件夹拷贝到pycharm创建的项目的site-packages目录中即可使用