Python安裝tesserocr遇到的各類問題及解決辦法

Tesseract的安裝及配置

在Python爬蟲過程當中，不免遇到各類各樣的驗證碼問題，最簡單的就是​這種驗證碼了，那麼在遇到驗證碼的時候該怎麼辦呢？咱們就須要OCR技術了，OCR-即Optical Character Recognition光學字符識別，是指經過掃描字符，而後將其形狀翻譯成電子文本的過程。而tesserocr是Python的一個OCR識別庫，因此在安裝tesserocr以前，咱們須要安裝tesseract這個東西

下載地址：https://digi.bib.uni-mannheim.de/tesseract/ 能夠選擇下載不帶dev的穩定版本，我下載的是3.05.01版本的，不過這個版本的可能比較早了，識別能力不是很厲害，讀者能夠選擇下載最新版本的3.05.02，識別能力應該會好不少。

下載完就是一路雙擊，在最後的Additional Language data(download)選上這個選項，是OCR支持各類語言的包，而後繼續安裝，直到安裝成功。

個人安裝路徑爲：G:\Program Files (x86)\Tesseract-OCR

​

安裝完成後就得須要配置環境變量，打開環境變量設置，在path中加入以下

​的設置，這樣tesseract就安裝成功並配置完成了、

tesserocr庫的安裝

剛開始我直接在cmd下輸入 pip install tesserocr 很不幸報錯了，報錯相似於以下。。。由於以前個人報錯，沒有截圖。因此。。

​

就是相似於這種的截圖，這該怎麼辦，難道要去下載visual C++嗎？咱們有更好的解決方法，下載對應的.whl文件

下載地址：https://github.com/simonflueckiger/tesserocr-windows_build/releases 必定要下載對應版本的

​

個人是3.5.1，因此我下載的是這個版本的。讀者能夠自行選擇。

個人tesserocr-2.2.2-cp36-cp36m-win_amd64.whl文件下載在G盤根目錄下，而後在cmd裏輸入 pip install G:\tesserocr-2.2.2-cp36-cp36m-win_amd64.whl 開始安裝whl文件，發現報錯了。提示不能安裝whl文件。。原來是沒有安裝wheel。

而後我就去安裝了wheel 直接 pip install wheel便可。

安裝成功 在輸入 pip install G:\tesserocr-2.2.2-cp36-cp36m-win_amd64.whl 發現開始安裝了。

哎心累啊，總算弄好了。可是，我在pycharm中調用tesserocr 這個庫，他又提示報錯了，這是爲何呢？百度了一下最終解決。

原來須要在pycharm下的terrminal下輸入以下圖：

​

若是報錯了還得有一步操做。

將Tesseract-OCR下的tessdata文件複製到你的Python安裝路徑的scripts下：

​

這樣

​

這下應該就完全安裝成功了。。

這下在pycharm裏總算不會報錯了，咱們來試一下識別這兩張圖片的效果

​

​

代碼：

from PIL import Image
import tesserocr

imag=Image.open('test.jpg')
print(tesserocr.image_to_text(imag))
imag1=Image.open('image.png')
print(tesserocr.image_to_text(imag1))

 

輸出結果以下：

​將762408識別成了162408 我也很無奈呀。。。多是由於版本太菜了吧

以上就是我安裝tesserocr遇到的問題及解決辦法了。其實還能夠裝pytesseract這個庫。

 

安裝pytesseract庫

安裝這個pytesseract庫可比tesserocr方便多了，根本不會報錯，直接pip install pytesseract 完事。。pycharm直接搜索庫

​

而後下載就完事，多省事。。。。

看一下識別效果，仍是一樣的兩張圖片。

代碼：

import pytesseract
from PIL import Image
import tesserocr

im=Image.open('test.jpg')
print(pytesseract.image_to_string(im))
im1=Image.open('image.png')
print(pytesseract.image_to_string(im1))

 

運行結果：

​運行結果同樣的，因此我推薦你們使用pytesseract這個庫。

 

驗證碼識別問題

我打開知乎登陸界面，下載了一張驗證碼圖片：​ 開始識別它。

代碼以下：

import pytesseract
from PIL import Image
import tesserocr



#簡單驗證  特別垃圾
image=Image.open('3.jpg')
result=tesserocr.image_to_text(image)
print(result)


#徹底驗證 也不咋地。。
image1=Image.open('3.jpg')
image1=image1.convert('L')
threshold=127
table=[]
for i in range(256):
    if i <threshold:
        table.append(0)
    else:
        table.append(1)
image2=image1.point(table,'1')
image2.show()  #二值化灰度處理圖片顯示
result=pytesseract.image_to_string(image2)
print(result)

 

運行結果：

​都識別失敗了，，，

賊無語，可是灰度化和二值化後的圖片已經很清晰了。。​我都能看出來是H83G了，你識別個H535是個什麼鬼。。綜上，這個庫吧，可能效果也不是那麼好。先湊活用吧。。