python3光學字符識別模塊tesserocr與pytesseract

OCR，即Optical Character Recognition，光學字符識別，是指經過掃描字符，而後經過其形狀將其翻譯成電子文本的過程，對應圖形驗證碼來講，它們都是一些不規則的字符，這些字符是由字符稍加扭曲變換獲得的內容，咱們能夠使用OCR技術來說其轉化爲電子文本，而後將結果提取交給服務器，即可以達到自動識別驗證碼的過程

tesserocr與pytesseract是Python的一個OCR識別庫，但實際上是對tesseract作的一層Python API封裝，pytesseract是Google的Tesseract-OCR引擎包裝器；因此它們的核心是tesseract,所以在安裝tesserocr以前，咱們須要先安裝tesseract

一、安裝tesseract、tesserocr、pytesseract 

（1）windows下的安裝

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

而後雙擊程序安裝便可，能夠勾選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，咱們能夠直接從https://github.com/tesseract-ocr/tessdata下載zip的語言包壓縮文件，解壓後將tessdata-master中的文件複製到Tesseract的安裝目錄C:\Program Files (x86)\Tesseract-OCR\tessdata目錄下，最後咱們配置下環境變量，咱們將C:\Program Files (x86)\Tesseract-OCR添加到環境變量中

在測試以前先了解下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

進行測試：

#統計安裝的語言包，安裝了168個語言包
C:\Users\Administrator.DESKTOP-6JT7D2H>tesseract --list-langs | find /c /v ""
168

#使用一張圖片測試，成功識別字符串
tesseract image.png result -l eng |type result.txt
Python3WebSpider

因爲tesserocr在windows環境下會出現各類不兼容問題，而且與pycharm虛擬環境不兼容等問題，因此在windows系統環境下，選擇pytesseract模塊進行安裝，若是實在要安裝請使用whl文件安裝或者使用conda安裝

pip install pytesseract

若是在pytesseract運行是找不到tesseract解釋器，這種狀況通常是在虛擬環境下會發生，咱們須要將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」字段指定爲tesseract.exe的完整路徑便可

測試識別功能：

import pytesseract
from PIL import Image

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

（2）linux下的安裝

在Ubuntu、Debian、Deepin系統中，安裝命令以下：

#安裝tesseract
sudo apt-get install -y tesseract-ocr libtesseract-dev libleptonica-dev

#安裝語言包
git clone https://github.com/tesseract-ocr/tessdata.git
sudo mv tessdata/* /usr/share/tesseract-ocr/tessdata

#安裝tesserocr
pip3 install tesserocr

#安裝pytesseract
pip3 install pytesseract

在CentOS、Red Hat系統下，安裝命令以下：

#安裝tesseract
yum install -y tesseract

#安裝語言包
git clone https://github.com/tesseract-ocr/tessdata.git
mv tessdata/* /usr/share/tesseract/tessdata

#安裝tesserocr
pip3 install tesserocr

#安裝pytesseract
pip3 install pytesseract

 測試安裝環境：

In [1]: import tesserocr
In [2]: from PIL import Image
In [3]: im=Image.open('image.png')
In [4]: tesserocr.image_to_text(im)
Out[4]: 'Python3WebSpider\n\n'

tesserocr安裝參考連接：https://github.com/sirfz/tesserocr

pytesseract安裝參考連接：https://github.com/madmaze/pytesseract

tesseract安裝參考連接：https://github.com/tesseract-ocr/tesseract/wiki

二、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，置信度和其餘信息的結果。須要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　　任何其餘配置爲字符串，例如：config='--psm 6'
• nice Integer　　修改Tesseract運行的處理器優先級。Windows不支持。尼斯調整了相似unix的流程的優勢。
• output_type　　類屬性，指定輸出的類型，默認爲string。有關全部支持類型的完整列表，請檢查pytesseract.Output類的定義。

from PIL import Image
import pytesseract

#若是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爲英語
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'))

三、圖像識別簡單應用

 通常圖像處理驗證，須要經過對圖像進行灰度處理、二值化後增長圖像文字的辨識度，下面是一個簡單的對圖像驗證碼識別處理，如遇到複雜點的圖像驗證碼如中間帶多條同等大小劃線的驗證碼須要對文字進行喬正切割等操做，但它的識別度也只有百分之30左右，因此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錄：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2018/7/13 8:58
# @Author  : Py.qi
# @File    : login.py
# @Software: PyCharm
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')

#自動登錄
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))
        #輸入驗證碼並登錄
        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()

參考連接：

tesserocr GitHub：https://github.com/sirfz/tesserocr

tesserocr PyPI：https://pypi.python.org/pypi/tesserocr

pytesserocr GitHub：https://github.com/madmaze/pytesseract

pytesserocr PyPI：https://pypi.org/project/pytesseract/

tesseract下載地址：http://digi.bib.uni-mannheim.de/tesseract

tesseract GitHub：https://github.com/tesseract-ocr/tesseract

tesseract 語言包：https://github.com/tesseract-ocr/tessdata

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