圖形驗證碼識別技術：

阻礙我們爬蟲的。有時候正是在登入或者請求一些資料時候的圖形驗證碼。因此這裡我們講解一種能將圖片翻譯成文字的技術。將圖片翻譯成文字一般被成為光學文字識別（Optical Character Recognition），簡寫為OCR。實現OCR的庫不是很多，特別是開源的。因為這塊存在一定的技術壁壘（需要大量的資料、演算法、機器學習、深度學習知識等），並且如果做好了具有很高的商業價值。因此開源的比較少。這裡介紹一個比較優秀的影象識別開源庫：Tesseract。

Tesseract：

Tesseract是一個OCR庫，目前由谷歌贊助。Tesseract是目前公認最優秀、最準確的開源OCR庫。Tesseract具有很高的識別度，也具有很高的靈活性，他可以通過訓練識別任何字型。

安裝：

Windows系統：

在以下連結下載可執行檔案，然後一頓點選下一步安裝即可（放在不需要許可權的純英文路徑下）：
https://github.com/tesseract-ocr/

Linux系統：

可以在以下連結下載原始碼自行編譯。
https://github.com/tesseract-ocr/tesseract/wiki/Compiling

Pycharm啟用碼教程使用更多解釋請見：https://vrg123.com

或者在ubuntu下通過以下命令進行安裝：

sudo apt install tesseract-ocr

Mac系統：

用Homebrew即可方便安裝：

brew install tesseract
 

設定環境變數：

安裝完成後，如果想要在命令列中使用Tesseract，那麼應該設定環境變數。Mac和Linux在安裝的時候就預設已經設定好了。在Windows下把tesseract.exe所在的路徑新增到PATH環境變數中。

還有一個環境變數需要設定的是，要把訓練的資料檔案路徑也放到環境變數中。
在環境變數中，新增一個TESSDATA_PREFIX=C:\path_to_tesseractdata\teseractdata。

在命令列中使用tesseract識別影象：

如果想要在cmd下能夠使用tesseract命令，那麼需要把tesseract.exe所在的目錄放到PATH環境變數中。然後使用命令：tesseract 圖片路徑 檔案路徑

tesseract a.png a

那麼就會識別出a.png中的圖片，並且把文字寫入到a.txt中。如果不想寫入檔案直接想顯示在終端，那麼不要加檔名就可以了。

在程式碼中使用tesseract識別影象：

在Python程式碼中操作tesseract。需要安裝一個庫，叫做pytesseract。通過pip的方式即可安裝：

pip install pytesseract

並且，需要讀取圖片，需要藉助一個第三方庫叫做PIL。通過pip list看下是否安裝。如果沒有安裝，通過pip的方式安裝：

pip install PIL

使用pytesseract將圖片上的文字轉換為文字文字的示例程式碼如下：

# 匯入pytesseract庫
import pytesseract
# 匯入Image庫
from PIL import Image

# 指定tesseract.exe所在的路徑
pytesseract.pytesseract.tesseract_cmd = r'D:\ProgramApp\TesseractOCR\tesseract.exe'

# 開啟圖片
image = Image.open("a.png")
# 呼叫image_to_string將圖片轉換為文字
text = pytesseract.image_to_string(image)
print(text)

用pytesseract處理拉勾網圖形驗證碼：

import pytesseract
from urllib import request
from PIL import Image
import time


pytesseract.pytesseract.tesseract_cmd = r"D:\ProgramApp\TesseractOCR\tesseract.exe"


while True:
    captchaUrl = "https://passport.lagou.com/vcode/create?from=register&refresh=1513081451891"
    request.urlretrieve(captchaUrl,'captcha.png')
    image = Image.open('captcha.png')
    text = pytesseract.image_to_string(image,lang='eng')
    print(text)
    time.sleep(2)