[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

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:

 

 

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:

 

 

CentOS、Red Hat

在CentOS和Red Hat系統下,安裝命令如下:

 

 

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:

 

 

運行結果示例:

 

 

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:

 

 

在CentOS和Red Hat系統下的遷移命令如下:

 

 

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:

 

 

結果如下:

 

 

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:

 

 

5. Mac下的安裝

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

 

 

接下來再安裝tesserocr即可:

 

 

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:

 

 

運行結果如下:

 

 

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:

 

 

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

運行結果如下:

 

 

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:

 

 

運行結果:

 

 

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


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM