【Python3網絡爬蟲開發實戰】1.3.4-tesserocr的安裝

在爬蟲過程中，難免會遇到各種各樣的驗證碼，而大多數驗證碼還是圖形驗證碼，這時候我們可以直接用OCR來識別。

1. OCR

OCR，即Optical Character Recognition，光學字符識別，是指通過掃描字符，然后通過其形狀將其翻譯成電子文本的過程。對于圖形驗證碼來說，它們都是一些不規則的字符，這些字符確實是由字符稍加扭曲變換得到的內容。

例如，對于如圖1-22和圖1-23所示的驗證碼，我們可以使用OCR技術來將其轉化為電子文本，然后爬蟲將識別結果提交給服務器，便可以達到自動識別驗證碼的過程。

圖1-22 驗證碼

圖1-23 驗證碼

tesserocr是Python的一個OCR識別庫，但其實是對Tesseract做的一層Python API封裝，所以它的核心是Tesseract。因此，在安裝tesserocr之前，我們需要先安裝tesseract。

2. 相關鏈接

tesserocr GitHub：https://github.com/sirfz/tesserocr

tesserocr PyPI：https://pypi.python.org/pypi/tesserocr

tesseract-：http://digi.bib.uni-mannheim.de/tesseract

tesseract GitHub：https://github.com/tesseract-ocr/tesseract

tesseract語言包：https://github.com/tesseract-ocr/tessdata

tesseract文檔：https://github.com/tesseract-ocr/tesseract/wiki/Documentation

3. Windows下的安裝

在Windows下，首先需要下載tesseract，它為tesserocr提供了支持。

進入下載頁面，可以看到有各種.exe文件的下載列表，這里可以選擇下載3.0版本。圖1-24所示為3.05版本。

圖1-24 下載頁面

其中文件名中帶有dev的為開發版本，不帶dev的為穩定版本，可以選擇下載不帶dev的版本，例如可以選擇下載tesseract-ocr-setup-3.05.01.exe。

下載完成后雙擊，此時會出現如圖1-25所示的頁面。

圖1-25 安裝頁面

此時可以勾選Additional language data(download)選項來安裝OCR識別支持的語言包，這樣OCR便可以識別多國語言。然后一路點擊Next按鈕即可。

接下來，再安裝tesserocr即可，此時直接使用pip安裝：

pip3?install?tesserocr?pillow

4. Linux下的安裝

對于Linux來說，不同系統已經有了不同的發行包了，它可能叫作tesseract-ocr或者tesseract，直接用對應的命令安裝即可。

Ubuntu、Debian和Deepin

在Ubuntu、Debian和Deepin系統下，安裝命令如下：

sudo?apt-get?install?-y?tesseract-ocr?libtesseract-dev?libleptonica-dev

CentOS、Red Hat

在CentOS和Red Hat系統下，安裝命令如下：

yum?install?-y?tesseract

在不同發行版本運行如上命令，即可完成tesseract的安裝。

安裝完成后，便可以調用tesseract命令了。

接著，我們查看一下其支持的語言：

1????tesseract?--list-langs

運行結果示例：

List?of?available?languages?(3): eng osd equ

結果顯示它只支持幾種語言，如果想要安裝多國語言，還需要安裝語言包，官方叫作tessdata（其下載鏈接為：https://github.com/tesseract-ocr/tessdata）。

利用Git命令將其下載下來并遷移到相關目錄即可，不同版本的遷移命令如下所示。

在Ubuntu、Debian和Deepin系統下的遷移命令如下：

git?clone?https://github.com/tesseract-ocr/tessdata.git sudo?mv?tessdata/*?/usr/share/tesseract-ocr/tessdata

在CentOS和Red Hat系統下的遷移命令如下：

git?clone?https://github.com/tesseract-ocr/tessdata.git sudo?mv?tessdata/*?/usr/share/tesseract/tessdata

這樣就可以將下載下來的語言包全部安裝了。

這時我們重新運行列出所有語言的命令：

tesseract?--list-langs

結果如下：

List?of?available?languages?(107): afr amh ara asm aze aze_cyrl bel ben bod bos bul cat ceb ces chi_sim chi_tra ...

可以發現，這里列出的語言就多了很多，比如chi_sim就代表簡體中文，這就證明語言包安裝成功了。

接下來再安裝tesserocr即可，這里直接使用pip安裝：

pip3?install?tesserocr?pillow

5. Mac下的安裝

在Mac下，我們首先使用Homebrew安裝ImageMagick和tesseract庫：

brew?install?imagemagick? brew?install?tesseract?--all-languages

接下來再安裝tesserocr即可：

pip3?install?tesserocr?pillow

這樣我們便完成了tesserocr的安裝。

6. 驗證安裝

接下來，我們可以使用tesseract和tesserocr來分別進行測試。

下面我們以如圖1-26所示的圖片為樣例進行測試。

圖1-26 測試樣例

該圖片的鏈接為https://raw.githubusercontent.com/Python3WebSpider/TestTess/master/image.png，可以直接保存或下載。

首先用命令行進行測試，將圖片下載下來并保存為image.png，然后用tesseract命令測試：

tesseract?image.png?result?-l?eng?&&?cat?result.txt

運行結果如下：

Tesseract?Open?Source?OCR?Engine?v3.05.01?with?Leptonica Python3WebSpider

這里我們調用了tesseract命令，其中第一個參數為圖片名稱，第二個參數result為結果保存的目標文件名稱，-l指定使用的語言包，在此使用英文（eng）。然后，再用cat命令將結果輸出。

運行結果便是圖片的識別結果：Python3WebSpider。可以看到，這時已經成功將圖片文字轉為電子文本了。

然后還可以利用Python代碼來測試，這里就需要借助于tesserocr庫了，測試代碼如下：

import?tesserocr from?PIL?import?Image image?=?Image.open('image.png') print(tesserocr.image_to_text(image))

我們首先利用Image讀取了圖片文件，然后調用了tesserocr的image_to_text()方法，再將其識別結果輸出。

運行結果如下：

Python3WebSpider

另外，我們還可以直接調用file_to_text()方法，這可以達到同樣的效果：

import?tesserocr print(tesserocr.file_to_text('image.png'))

運行結果：

Python3WebSpider

如果成功輸出結果，則證明tesseract和tesserocr都已經安裝成功。

編程語言 OCR python

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。