圖形驗證碼識別技術
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
示例:
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)