python使用Tesseract库识别验证

Python  /  管理员 发布于 7年前   180

一、Tesseract简介

Tesseract是一个OCR库(OCR是英文Optical Character Recognition的缩写)，它用来对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程，Tesseract是目前公认最优秀，识别相对精准的OCR库。

二、Tesseract的使用

1.下载并安装Tesseract：点击下载

2.在Windows系统下设置环境变量：

#根据下载安装文件的路径配置环境变量set TESSDATA_PREFIX F:\Tesseract-OCR\

3.安装pytesseract模块

pip install pytesseract

4.在Python脚本中引入tesseract.exe应用程序的方式：

pytesseract.pytesseract.tesseract_cmd = r'F:\Tesseract-OCR\tesseract.exe'

5.案例演示

识别以下图片文字：

import pytesseractfrom PIL import Image#1.引入Tesseract程序pytesseract.pytesseract.tesseract_cmd = r'F:\Tesseract-OCR\tesseract.exe'#2.使用Image模块下的Open()函数打开图片image = Image.open('6.jpg',mode='r')print(image)#3.识别图片文字code= pytesseract.image_to_string(image)print(code)

结果演示：

<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=611x210 at 0x1A5DFDCB4A8>
Google

注：tesseract-OCR引擎识别验证码有些无法识别，比如像豆瓣生成的验证码无法识别其内容，如果需要爬取豆瓣中的数据这时候就需要手动的输入验证码：

三、模拟登陆知乎源码

import requestsimport timeimport pytesseractfrom PIL import Imagefrom bs4 import BeautifulSoupdef captcha(data):  with open('captcha.jpg','wb') as fp:    fp.write(data)  time.sleep(1)  image = Image.open("captcha.jpg")  text = pytesseract.image_to_string(image)  print "机器识别后的验证码为：" + text  command = raw_input("请输入Y表示同意使用，按其他键自行重新输入：")  if (command == "Y" or command == "y"):    return text  else:    return raw_input('输入验证码：')def zhihuLogin(username,password):  # 构建一个保存Cookie值的session对象  sessiona = requests.Session()  headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:47.0) Gecko/20100101 Firefox/47.0'}  # 先获取页面信息，找到需要POST的数据（并且已记录当前页面的Cookie）  html = sessiona.get('https://www.zhihu.com/#signin', headers=headers).content  # 找到 name 属性值为 _xsrf 的input标签，取出value里的值  _xsrf = BeautifulSoup(html ,'lxml').find('input', attrs={'name':'_xsrf'}).get('value')  # 取出验证码，r后面的值是Unix时间戳,time.time()  captcha_url = 'https://www.zhihu.com/captcha.gif?r=%d&type=login' % (time.time() * 1000)  response = sessiona.get(captcha_url, headers = headers)  data = {    "_xsrf":_xsrf,    "email":username,    "password":password,    "remember_me":True,    "captcha": captcha(response.content)  }  response = sessiona.post('https://www.zhihu.com/login/email', data = data, headers=headers)  print response.text  response = sessiona.get('https://www.zhihu.com/people/maozhaojun/activities', headers=headers)  print response.textif __name__ == "__main__":  #username = raw_input("username")  #password = raw_input("password")  zhihuLogin('[email protected]','ALAxxxxIME')

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。