python 使用tesseract進行圖片識別

1.需要安裝二個模塊，

　　pip install Pillow  即可安裝PIL

　　pip install pytesseract

2安裝好了模塊還需要下載 tesseract-ocr

　　下載網址：https://github.com/UB-Mannheim/tesseract/wiki

　　選擇自己的版本下載，下載之后直接安裝即可。注意要記住安裝的位置，等下需要用到

　　修改pytesseract.py 文件里面的指向路徑

　　打開方式可以在pycharm 輸入import pytesseract.pytesseract 然后按住ctrl鍵鼠標對着pytesseract右鍵點擊進去

1 from io import BytesIO
2 pandas_installed = find_loader('pandas') is not None
3 if pandas_installed:
4     import pandas as pd
5 
6 # CHANGE THIS IF TESSERACT IS NOT IN YOUR PATH, OR IS NAMED DIFFERENTLY
7 tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
8 RGB_MODE = 'RGB'

其中tesseract_cmd是我已經修改了的地址，tesseract.exe在剛剛安裝位置里面，將這里設置好了運行就不會報錯

pytesseract有很多語言庫，默認的有英文，如果需要中文要去下載對應的語言包：
網址：https://github.com/tesseract-ocr/tessdata
其中的chi_sim.traineddata為簡體中文的語言包，將語言包放置到安裝路徑的tessdata目錄下即可。
如果需要使用語言包使用lang=來指定對應的語言包。默認是英文的。

chi_sim.traineddata的識別率不高，如果需要針對性的文字可以使用訓練模型生成適合自己的語言包

關於pytesseract

pytesseract最新版本0.1.6，網址：https://pypi.python.org/pypi/pytesseract

a、Python-tesseract是一個基於google's Tesseract-OCR的獨立封裝包；

b、Python-tesseract功能是識別圖片文件中文字，並作為返回參數返回識別結果；

c、Python-tesseract默認支持tiff、bmp格式圖片，只有在安裝PIL之后，才能支持jpeg、gif、png等其他圖片格式；

 注意：tesserocr與pytesseract是Python的一個OCR識別庫，但其實是對tesseract做的一層Python API封裝，pytesseract是Google的Tesseract-OCR引擎包裝器；所以它們的核心是tesseract,因此在安裝tesserocr之前，我們需要先安裝tesseract

pytesseract安裝 && tesseract安裝

下載tesseract：https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v4.0.0-beta.1.20180414.exe

然后雙擊程序安裝即可，可以勾選Additional language data(download)選項來安裝OCR識別支持的語言包，但下載語言包實在是慢，我們可以直接從https://github.com/tesseract-ocr/tessdata下載zip的語言包壓縮文件，解壓后將tessdata-master中的文件復制到Tesseract的安裝目錄C:\Program Files (x86)\Tesseract-OCR\tessdata目錄下，最后我們配置下環境變量，我們將C:\Program Files (x86)\Tesseract-OCR添加到環境變量中

 

在測試之前先了解下tesseract的命令程序格式：

 tesseract imagename outputbase [-l lang]

 imagename指定圖片名稱，outputbase指定輸出文件名，-l指定識別的語言

#顯示安裝的語言包
tesseract --list-langs

#顯示幫助
tesseract --help
tesseract --help-extra
tesseract --version

#使用一張圖片測試，成功識別字符串
tesseract image.png result -l eng |type result.txt

由於tesserocr在windows環境下會出現各種不兼容問題，並且與pycharm虛擬環境不兼容等問題，所以在windows系統環境下，選擇pytesseract模塊進行安裝，如果實在要安裝請使用whl文件安裝或者使用conda安裝

pip install pytesseract

如果在pytesseract運行是找不到tesseract解釋器，這種情況一般是在虛擬環境下會發生，我們需要將tesseract-OCR的執行文件tesseract.ext配置到windows系統中的PATH環境中，或者修改pytesseract.py文件，將其中的“tesseract_cmd”字段指定為tesseract.exe的完整路徑即可

測試識別功能：

import pytesseract
from PIL import Image

im=Image.open('image.png')
print(pytesseract.image_to_string(im))

tesserocr與pytesseract模塊的使用

（1）tesserocr的使用

#從文件識別圖像字符
In [7]: tesserocr.file_to_text('image.png')
Out[7]: 'Python3WebSpider\n\n'

#查看tesseract已安裝的語言包
In [8]: tesserocr.get_languages()
Out[8]: ('/usr/share/tesseract/tessdata/', ['eng'])

#從圖片數據識別圖像字符
In [9]: tesserocr.image_to_text(im)
Out[9]: 'Python3WebSpider\n\n'

#查看版本信息
In [10]: tesserocr.tesseract_version()
Out[10]: 'tesseract 3.04.00\n leptonica-1.72\n  libgif 4.1.6(?) : libjpeg 6b (libjpeg-turbo 1.2.90) : libpng 1.5.13 : libtiff 4.0.3 : zlib 1.2.7 : libwebp 0.3.0\n'

（2）pytesseract使用

功能：

• get_tesseract_version　　返回系統中安裝的Tesseract版本。
• image_to_string　　將圖像上的Tesseract OCR運行結果返回到字符串
• image_to_boxes　　返回包含已識別字符及其框邊界的結果
• image_to_data　　返回包含框邊界，置信度和其他信息的結果。需要Tesseract 3.05+。有關更多信息，請查看Tesseract TSV文檔
• image_to_osd　　返回包含有關方向和腳本檢測的信息的結果。

參數：

image_to_data(image, lang=None, config='', nice=0, output_type=Output.STRING)

• image object　　圖像對象
• lang String，Tesseract　　語言代碼字符串
• config String　　任何其他配置為字符串，例如：config='--psm 6'
• nice Integer　　修改Tesseract運行的處理器優先級。Windows不支持。尼斯調整了類似unix的流程的優點。
• output_type　　類屬性，指定輸出的類型，默認為string。有關所有支持類型的完整列表，請檢查pytesseract.Output類的定義。

from PIL import Image
import pytesseract

#如果PATH中沒有tesseract可執行文件，請指定tesseract路徑
pytesseract.pytesseract.tesseract_cmd='C:\Program Files (x86)\Tesseract-OCR\\tesseract.exe'

#打印識別的圖像的字符串
print(pytesseract.image_to_string(Image.open('test.png')))

#指定語言識別圖像字符串,eng為英語
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='eng'))

#獲取圖像邊界框
print(pytesseract.image_to_boxes(Image.open('test.png')))

#獲取包含邊界框，置信度，行和頁碼的詳細數據
print(pytesseract.image_to_data(Image.open('test.png')))

#獲取方向和腳本檢測
print(pytesseract.image_to_osd(Image.open('test.png'))

 

圖像識別簡單應用

 一般圖像處理驗證，需要通過對圖像進行灰度處理、二值化后增加圖像文字的辨識度，下面是一個簡單的對圖像驗證碼識別處理，如遇到復雜點的圖像驗證碼如中間帶多條同等大小划線的驗證碼需要對文字進行喬正切割等操作，但它的識別度也只有百分之30左右，所以得另外想別的辦法來繞過驗證

from PIL import Image
import pytesseract

im = Image.open('66.png')
#二值化圖像傳入圖像和閾值
def erzhihua(image,threshold):
    ''':type image:Image.Image'''
    image=image.convert('L')
    table=[]
    for i in range(256):
        if i <  threshold:
            table.append(0)
        else:
            table.append(1)
    return image.point(table,'1')


image=erzhihua(im,127)
image.show()

result=pytesseract.image_to_string(image,lang='eng')
print(result)

模擬自動識別驗證碼登陸：

from selenium import webdriver
from selenium.common.exceptions import TimeoutException,WebDriverException
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.remote.webelement import WebElement
from io import BytesIO
from PIL import Image
import pytesseract
import time

user='zhang'
password='123'
url='http://10.0.0.200'
driver=webdriver.Chrome()
wait=WebDriverWait(driver,10)

#識別驗證碼
def acker(content):
    im_erzhihua=erzhihua(content,127)
    result=pytesseract.image_to_string(im_erzhihua,lang='eng')
    return result

#驗證碼二值化
def erzhihua(image,threshold):
    ''':type image:Image.Image'''
    image=image.convert('L')
    table=[]
    for i in range(256):
        if i <  threshold:
            table.append(0)
        else:
            table.append(1)
    return image.point(table,'1')

#自動登陸
def login():
    try:
        driver.get(url)
        #獲取用戶輸入框
        input=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#loginname'))) #type:WebElement
        input.clear()
        #發送用戶名
        input.send_keys(user)
        #獲取密碼框
        inpass=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#password'))) #type:WebElement
        inpass.clear()
        #發送密碼
        inpass.send_keys(password)
        #獲取驗證輸入框
        yanzheng=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#code'))) #type:WebElement
        #獲取驗證碼在畫布中的位置
        codeimg=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#codeImg'))) #type:WebElement
        image_location = codeimg.location
        #截取頁面圖像並截取掩碼碼區域圖像
        image=driver.get_screenshot_as_png()
        im=Image.open(BytesIO(image))
        imag_code=im.crop((image_location['x'],image_location['y'],488,473))
        #輸入驗證碼並登陸
        yanzheng.clear()
        yanzheng.send_keys(acker(imag_code))
        time.sleep(2)
        yanzheng.send_keys(Keys.ENTER)
    except TimeoutException as e:
        print('timeout:',e)
    except WebDriverException as e:
        print('webdriver error:',e)

if __name__ == '__main__':
    login()