Python爬虫教程-29-验证码识别-Tesseract-OCR

本篇是关于验证码识别问题，也是Python爬虫笔记的一个结尾，使用 Tesseract

Python爬虫教程-29-验证码识别-Tesseract-OCR

• 常见反爬虫手段：
  
  • 验证码
    
    • 1.简单图片，扭曲数字验证码
    • 2.中文顺序点击
    • 3.动态验证码
    • 4.滑动验证：滑动小方块到缺口
    • 5.语音验证
    • 6.极验验证：官网：http://www.geetest.com/
      根据鼠标轨迹，判定是机器人还是用户，很强大的验证机制
• 对于极验是很厉害的拦截机器人手段，好像是使用人工智能机器学习，当然自己想做验证的话建议使用。对于验证有反爬虫，就有可能有反反爬虫

爬虫-验证码识别

• 通用方法：
  
  • 1.下载网页和验证码，或截图
  • 2.然后手动输入验证码
• 对于简单图片
  
  • 1.使用图像识别软件或者文字识别软件
  • 2.可以使用第三方图像验证码破解网站
    
    • 比如：超级鹰：http://www.chaojiying.com/
• 对于极验，官网：http://www.geetest.com/
  
  • 可以模拟鼠标移动，具体的方法我还不清楚

通用方法案例

• 能力有限，这里就介绍通用方法，先下载得到验证图片，然后手动输入
• Tesseract
  
  • 机器视觉领域的基础软件
  • OCR：OpticalChracterRecognition，光学文字识别
  • Tesseract：是一个 OCR 库，由 Google 赞助

Tesseract-Windows的安装

• Tesseract Windows安装包下载：https://digi.bib.uni-mannheim.de/tesseract/
• 上面链接看着头疼就下我的网盘里的：
  
  • 链接：https://pan.baidu.com/s/13KRXi-2FCkA9_6MBQ_wxeg 密码：gtp1
• 安装的话就默认安装就好，如果选中那个在线安装包，会很慢，耐心等下
• 路径最好不要更改，除非熟练掌握环境变量

Tesseract-macOS的安装

• 我也没有 MacBook，老师顺口一说，记下了
• brew install tesseract

Tesseract-Linux的安装

• 我这里是 Ubuntu 18 其他 Linux 版本不确定，进入管理员用户
• apt-get install tesseract-ocr

python使用tesseract的工具 pytesseract 的安装

• 如果使用的是 Anaconda 环境：

  • 进入当前环境：(我的环境名为learn，如果只有一个base环境，忽略此步)

    activate learn

  • 安装 pytesseract

    pip install pytesseract

  • 操作截图
    

• 首先说一下，conda 是没有这个包的，也就不能使用 conda install，也不能直接在 Pycharm 里找到，只有使用 pip 安装，然后需要注意的就是，要使用你在 Pycharm 使用的那个环境进行安装

识别验证码案例

• 注意：此代码路径是，在图片和代码在同一目录
• 图片截图：
  
• 代码 py30pytess.py 文件：

import pytesseract as pt

from PIL import Image

# 生成图片实例
image = Image.open('timg.jpg')

# 调用 pytesseract 识别图片文字
text = pt.image_to_string(image)

print(text)

运行结果

• 这里是错了一个字符，因为需要用很多数据去训练，才能得到更高的准确率
  
• 如果想看训练的部分，点击：Tesseract-OCR-02-使用 jTessBoxEditor 提高文字识别准确率

---

- 本笔记不允许任何个人和组织转载