图形验证码识别
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成为光学文字识别(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。
Tesseract
Tesseract是一个OCR库,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。
安装
Windows
在 https://github.com/tesseract-ocr/ 下载可执行文件,然后一顿点击下一步安装即可,放在不需要权限的纯英文路径下
Linux
可以在 https://github.com/tesseract-ocr/tesseract/wiki/Compiling 下载源码自行编译,或者(ubuntu下)通过以下命令进行安装 sudo apt install tesseract-ocr
Mac
用Homebrew即可方便安装,brew install tesseract
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=~~~\teseractdata
在命令行中使用tesseract识别图像
如果想要在cmd下能够使用tesseract命令,那么需要把tesseract.exe所在的目录放到PATH环境变量中。然后使用命令:tesseract 图片路径 文件路径。
tesseract a.png a
那么就会识别出a.png中的图片,并且把文字写入到a.txt中。如果不想写入文件直接想显示在终端,那么不要加文件名就可以了。
在代码中使用tesseract识别图像
在Python代码中操作tesseract。需要安装一个库,叫做pytesseract。通过pip的方式即可安装:
pip install pytesseract
并且,需要读取图片,需要借助一个第三方库叫做PIL。通过pip list看下是否安装。如果没有安装,通过pip的方式安装:
pip install PIL
使用pytesseract将图片上的文字转换为文本文字
# 导入pytesseract库
import pytesseract
# 导入Image库
from PIL import Image
# 指定tesseract.exe所在的路径
pytesseract.pytesseract.tesseract_cmd = r'D:\Program Files\Tesseract-OCR\tesseract.exe'
# 打开图片
image = Image.open("a.png")
# 调用image_to_string将图片转换为文字
text = pytesseract.image_to_string(image, lang='chi_sim')
print(text)
用pytesseract自动识别图形验证码
import time
from urllib import request
import pytesseract
from PIL import Image
def main():
pytesseract.pytesseract.tesseract_cmd = r'D:\Program Files\Tesseract-OCR\tesseract.exe'
while True:
url = 'https://e.coding.net/api/getCaptcha'
request.urlretrieve(url, 'captcha.png')
image = Image.open('captcha.png')
text = pytesseract.image_to_string(image)
print(text)
time.sleep(2)
if __name__ == "__main__":
main()