python3爬虫之图形验证码的识别——环境安装

 

我的环境：

win7 32bit

python3.7

PyCharm 2018 社区版

Chrome  75.0.3770.142（正式版本） （32 位）

 

---

主旨思想就是利用OCR技术将图片中的数字、字母、汉字等识别出来

 

  

 

“OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；即，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。如何除错或利用辅助信息提高识别正确率，是OCR最重要的课题，ICR（Intelligent Character Recognition）的名词也因此而产生。衡量一个OCR系统性能好坏的主要指标有：拒识率、误识率、识别速度、用户界面的友好性，产品的稳定性，易用性及可行性等。” ——百度百科

 

在python中用到的库就是tesserocr，它是 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 。tesseract 

tesseract是google开源的OCR，专注字符识别；当然说到图像处理就不得不提opencv，从领域来说，opencv功能更加强大

tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/ 

 

找到和自己相匹配的版本，最好不要用dev的（不稳定版本），亲测下载速度非常慢……这里也给出我下载的这个版本的百度网盘：

链接：https://pan.baidu.com/s/1eS5ZX8PYiUorA5duNVkseQ
提取码：leym

下载好之后双击安装即可，其中有一步

 

 

这里需要勾选红框里的Additional language data(download)，这个选项是安装OCR识别支持的语言包，这样OCR就可以识别多国语言，然后再一路点击NEXT即可。勾选的语言越多，所安装的东西越多，花费的时间越大。这里可以只选择中文的就好。默认包含英文字库 

安装后找到安装路径下目录，有一个tessdata文件夹，里面显示已安装的语言包；如果以后需要扩展可以单独下载语言包，然后放到这个文件夹里即可。

 

单独下载语言包链接 http://github.com/tesseract-ocr/tessdata 

 

最后一步，添加至环境变量！

 

 验证tesseract是否安装正确，在命令行中直接输入tesseract，出现以下结果表明ok！

 

 

 

 安装好tesseract之后，在python环境中安装tesserocr这个库

亲测发现使用conda install tesserocr、pip install tesserocr 都不好使……包括其他攻略上看到的这个命令conda install -c simonflueckiger tesserocr也是报错，并且PyCharm中也没有这个库

只好下载whl安装了……注意下载和tesseract版本版本匹配的

下载链接：https://github.com/simonflueckiger/tesserocr-windows_build/releases

我的百度网盘：

链接：https://pan.baidu.com/s/1OLaAuHY7w3d7bginYnLmDQ
提取码：zckj

 

安装步骤就是在下载的这个文件夹下运行命令行（可通过shift+右键），pip install 这个whl文件的名称.whl

在python环境下import一下是否ok

 

至此，在python3环境下识别验证码的工作环境全部搞定！