爬虫中tesseract的安装及环境配置

1,597次阅读
没有评论

每日分享:

释怀

后来,我决定不再纠结一些事情,那些曾经日思夜想的人,和始终没有谈的问题突然就释怀了。我用执念烧死了所有的幼稚和任性,那片荒野慢慢长出了理智、冷漠和清醒。

生活中没有过不去的坎,生命里没有离不开的人,时间不一定能治愈你,但会在特定的时间里,让你告别曾经的自己。

目标:

  • 了解验证码的相关知识
  • 掌握图片识别引擎的使用

一、图片验证码

1.1 什么是图片验证码

  • 验证码是“全自动区分计算机和人类的图灵测试”的缩写,是一种区分用户是计算机还是人的公共全自动程序

1.2 验证码的作用

  • 防止恶意破解密码、刷票、论坛灌水、刷页

1.3 图片验证码在爬虫中的使用场景

  • 注册
  • 登录
  • 频繁发送请求时,服务器弹出验证码进行验证

1.4 图片验证码的处理方案

  • 手动输入:这种方法仅限于登录一次就可持续使用的情况
  • 图像识别引擎解析:使用光学识别引擎处理图片中的数据,目前常用于图片数据提取,较少用于验证码处理
  • 打码平台 :爬虫常用的验证码解决方案

二、图片识别引擎(tesseract的安装)

OCR(Optical Character Recognition)是指使用扫描仪或数码相机对文本资料进行扫描成图像文件,然后对图像文件进行分析处理,自动识别获取文字信息及版面信息的软件

2.1 什么是tesseract

  • Tesseract,一款由HP实验室开发由Google维护的开源OCR引擎,特点是开源,免费,支持多语言,多平台。

2.2 图片识别引擎环境的安装(win10)

就这安装配置环境花了我很多时间!

开始我没有直接用python代码测试,而是一直在pycharm的终端进行使用测试,代码:

tesseract 图片路径 保存文本的名字

发现一直报错,要么说什么tessdata环境未配置、要么说什么文件找不到、要么说什么缺像素什么是0,让用70等等,就解决一个问题又出来一个问题,一大坨问题,最后还是放弃了。反正这个在终端使用的这个方法不怎么使用。

1. 引擎的安装

  • mac环境下直接执行命令

brew install –with-training-tools tesseract

  • windows环境下的安装
  1. 下载exe,通过exe安装包安装(如果5.0版本不是太落后建议通过网盘提取,因为下载实在是太慢了)

1.百度网盘提取(我下的是tesseract-ocr-w64-setup-v5.0.0.20190623.exe)http://链接:https://pan.baidu.com/s/1By5aQjMxUSz_9wDLMfG4Qw 提取码:ezo1

2.点击进入网址,后进行下载

如下图,带有dev的为开发版本,没有的为稳定版本,我们可以选一个稳定版本来下载。 

爬虫中tesseract的安装及环境配置

        2.下载完之后,双击exe文件,按顺序点就行,到后面有一个让你勾选需要下载东西的,除了它自动勾选的,我勾选了语言包(勾选之后就1G多了)。(安装过程中,它会一直弹出框让你点击ok以继续安装,我点完之后,它就又弹出,就一直弹一直点,不点就不安装,咱也不知道为什么,咱也也不敢问,咱也不敢说)

        3. 之后就需要配置环境变量了(按顺序点就行,需要添加的路径是你安装完成之后exe文章的目录,不是安装前那个exe的目录) ,完事之后记得点确定啊!

爬虫中tesseract的安装及环境配置

  • linux环境下的安装

sudo apt-get install tesseract-ocr

2. 验证自己是否安装成功

win+r 输入 cmd ,后输入 tesseract -v 之后会出现版本信息,证明成功:

爬虫中tesseract的安装及环境配置

3. python库的安装

# PIL用于打开图片文件

pip/pip3 install pillow

# pytesseract模块用于从图片中解析数据

pip/pip3 install pytesseract

到这儿,算是完成了。我们用python代码来用一用:

4. python代码试用tesseract

测试图片如下:

爬虫中tesseract的安装及环境配置

 测试代码:

from PIL import Image
import pytesseract

img = Image.open('test.png')
result = pytesseract.image_to_string(img)
print(result)

测试结果:

爬虫中tesseract的安装及环境配置

识别准确率还行,部分识别未成功,准确率可以通过后续的训练来提高(提高看下面)。

2.3 图片识别引擎的使用扩展

    阿里云图文识别:https://www.aliyun.com/product/cdi/
    腾讯OCR文字识别:https://cloud.tencent.com/product/ocr

神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试

相关文章:

版权声明:Python教程2022-10-19发表,共计1873字。
新手QQ群:570568346,欢迎进群讨论 Python51学习