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。對於圖形驗證碼來說，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，對於如圖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下載地址：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：
|
1
|
pip3 install tesserocr pillow
|
4. Linux下的安裝
對於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：
|
1
|
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：
|
1
|
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。
接着，我們查看一下其支持的語言：
|
1
|
tesseract --list-langs
|
運行結果示例：
|
1
2
3
4
|
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命令將其下載下來並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：
|
1
2
|
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：
|
1
2
|
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：
|
1
|
tesseract --list-langs
|
結果如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
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：
|
1
|
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：
|
1
2
|
brew install imagemagick
brew install tesseract --all-languages
|
接下來再安裝tesserocr即可：
|
1
|
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，將圖片下載下來並保存為image.png，然后用tesseract命令測試：
|
1
|
tesseract image.png result -l eng && cat result.txt
|
運行結果如下：
|
1
2
|
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，這里就需要借助於tesserocr庫了，測試代碼如下：
|
1
2
3
4
|
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：
|
1
|
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：
|
1
2
|
import tesserocr
print(tesserocr.file_to_text('image.png'))
|
運行結果：
|
1
|
Python3WebSpider
|
如果成功輸出結果，則證明tesseract和tesserocr都已經安裝成功。