OCR識別驗證碼

最近在爬某網站，總是蹦出來驗證碼，就想着找個OCR破了這個驗證碼，而後就開始了OCR探索之旅。

首先簡單說一下什麼是OCR

OCR是（Optical Character Recognition，光學字符識別）的簡稱，主要用途：

1. 辦公用途，用來識別圖片裏面的文字，能夠高效率的錄入圖片類型文件。

2. 識別網站驗證碼

3. 詳見維基百科或者百度百科

OCR識別的驗證碼原理

1. 採集一批驗證碼，根據圖片特色進行初步處理（二值化/灰度化/濾波/降噪等處理）

2. 而後分割圖片，旋轉圖片，模板選取，訓練算法，讓它更準確。

3. 有興趣的能夠看一個Python實現的OCR識別驗證碼詳細demo,實際操做過程挺有意思的，你們有興趣了能夠試試

OCR識別驗證碼的具體操做

1. 首先我測試了一個百度開源的Node.js實現的OCR包
   gitHub地址 https://github.com/netpi/baidu-ocr-api

安裝也很簡單直接按照官方的文檔安裝便可
發現百度的這個OCR包識別效果不太理想

![node_ocr.png][1]

1. 而後通過一番Google和小夥伴們的推薦 選擇一個Google開源的tesseract這個是C++寫的，直接融合到爬蟲裏不太方便，__有外國朋友基於tesseract封裝了一個Python的包pytesseract__,直接開箱即用，融入爬蟲程序中。

2. 百聞不如一run

   **ps(這裏使用的操做系統是Ubuntu16.04；Python版本是2.7)**  
   直接 `pip install pytesseract` 而後Python圖片處理要用到PIL(Python Imaging Library) `pip install PIL`
   原圖片

寫個簡單的測試demo
![code.png][3]

看下識別結果   
![error.png][4] 

報錯了， 根據報錯信息來看，是確實了什麼文件，或者依賴lib
我跟蹤了pytesseract的代碼，發現是少了C++提供的OCR服務，由於pytesseract是調用的tesseract(C++寫的)
而後安裝tesseract ```sudo apt install tesseract```
再run一下代碼

總體結果還能夠（倒數第四位識別錯了），再訓練一下準確率就更高了。
預知後事如何，且聽下回分解