Python第三方模塊tesserocr安裝

介紹

在爬蟲過程當中，不免會遇到各類各樣的驗證碼，而大多數驗證碼仍是圖形驗證碼，這時候咱們能夠直接用 OCR 來識別。

tesserocr 是 Python 的一個 OCR 識別庫 ，但實際上是對 tesseract 作的一 層 Python API 封裝，因此它的核心是 tesseract。 所以，在安裝 tesserocr 以前，咱們須要先安裝 tesseract 。

例如：對於下圖的驗證碼，咱們能夠經過 OCR 技術將其轉換成電子文本，而後爬蟲將識別的結果提交給服務器，即可以達到自動識別驗證碼的過程。

  

相關連接

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: http://github.com/tesseract-ocr/tessdata

tesseract 文檔: https://github.com/tesseract-ocr/tesseract/wiki/Documentation

Windows下的安裝

在 Windows 下，首先須要下載 tesseract，它爲 tesserocr 提供了支持。

進入下載頁面，能夠看到有各類 .exe 文件的下載列表，這裏能夠選擇下載 3.0 版本 。 以下圖所示爲 3.05 版本 。

其中文件名中帶有 dev 的爲開發版本，不帶 dev 的爲穩定版本，能夠選擇下載不帶 dev 的版本， 例如能夠選擇下載 tesseract-ocr-setup-3 .05.01.exe。

下載完成後雙擊運行，安裝程序。須要注意的是，須要句選 Additional language data(download）選項來安裝 OCR 識別支持的語言包，這樣 OCR 即可以識別多國語言 。

給tesseract配置環境變量：

（1）將tesseract安裝路徑添加到path環境變量中

（2）將tesseract的語言包添加到環境變量中，在環境變量中新建一個系統變量，變量名稱爲TESSDATA_PREFIX，tessdata是放置語言包的文件夾，通常在你安裝tesseract的目錄下，即tesseract的安裝目錄就是tessdata的父目錄，把TESSDATA_PREFIX的值設置爲它便可

接下來 ， 再安裝 tesserocr 便可：

pip install tesserocr pillow

若是經過 pip 安裝失敗，能夠嘗試 Anaconda 下的 conda 來安裝：

conda install -c simonflueckiger tesserocr pillow

驗證安裝

測試樣例：

圖片下載：http://images.cnblogs.com/cnblogs_com/Jimc/1316973/o_image.png

 （1）用 tesseract 命令測試：

tesseract image.png result -l eng 

 運行結果以下：

Tesseract Open Source OCR Engine v3.05.01 with Leptonica

（2）利用 Python 代碼測試：

import tesserocr
from PIL import Image

image = Image.open('image.png')
result = tesserocr.image_to_text(image)
print(result)

運行結果以下：

PythonWebSpider

另外，還能夠直接調用 tesserocr 模塊的 file_to_text() 方法，能夠達到一樣的效果：

import tesserocr

print(tesserocr.file_to_text('image.png'))

運行結果以下：

PythonWebSpider

若是成功輸出結果，則證實 tesseract 和 tesserocr 都已經安裝成功。