Python3爬虫利器：tesserocr的安装

在爬虫过程中，难免会遇到各种各样的验证码，而大多数验证码还是图形验证码，这时候我们可以直接用OCR来识别。

1. OCR

OCR，即Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。

例如，对于如图1-22和图1-23所示的验证码，我们可以使用OCR技术来将其转化为电子文本，然后爬虫将识别结果提交给服务器，便可以达到自动识别验证码的过程。

图1-22 验证码

图1-23 验证码

tesserocr是Python的一个OCR识别库，但其实是对tesseract做的一层Python API封装，所以它的核心是tesseract。因此，在安装tesserocr之前，我们需要先安装tesseract。

2. 相关链接

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

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

tesseract下载地址：http://digi.bib.uni-mannheim.de/tesseract

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

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

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

3. Windows下的安装

在Windows下，首先需要下载tesseract，它为tesserocr提供了支持。

进入下载页面，可以看到有各种.exe文件的下载列表，这里可以选择下载3.0版本。图1-24所示为3.05版本。

图1-24 下载页面

其中文件名中带有dev的为开发版本，不带dev的为稳定版本，可以选择下载不带dev的版本，例如可以选择下载tesseract-ocr-setup-3.05.01.exe。

下载完成后双击，此时会出现如图1-25所示的页面。

图1-25 安装页面

此时可以勾选Additional language data(download)选项来安装OCR识别支持的语言包，这样OCR便可以识别多国语言。然后一路点击Next按钮即可。

接下来，再安装tesserocr即可，此时直接使用pip安装：

pip3 install tesserocr pillow

4. Linux下的安装

对于Linux来说，不同系统已经有了不同的发行包了，它可能叫作tesseract-ocr或者tesseract，直接用对应的命令安装即可。

Ubuntu、Debian和Deepin

在Ubuntu、Debian和Deepin系统下，安装命令如下：

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

CentOS、Red Hat

在CentOS和Red Hat系统下，安装命令如下：

yum install -y tesseract

在不同发行版本运行如上命令，即可完成tesseract的安装。

安装完成后，便可以调用tesseract命令了。

接着，我们查看一下其支持的语言：

tesseract --list-langs

运行结果示例：

List of available languages (3):
eng
osd
equ

结果显示它只支持几种语言，如果想要安装多国语言，还需要安装语言包，官方叫作tessdata（其下载链接为：https://github.com/tesseract-ocr/tessdata）。

利用Git命令将其下载下来并迁移到相关目录即可，不同版本的迁移命令如下所示。

在Ubuntu、Debian和Deepin系统下的迁移命令如下：

git clone https://github.com/tesseract-ocr/tessdata.git
sudo mv tessdata/* /usr/share/tesseract-ocr/tessdata

在CentOS和Red Hat系统下的迁移命令如下：

git clone https://github.com/tesseract-ocr/tessdata.git
sudo mv tessdata/* /usr/share/tesseract/tessdata

这样就可以将下载下来的语言包全部安装了。

这时我们重新运行列出所有语言的命令：

tesseract --list-langs

结果如下：

List of available languages (107):
afr
amh
ara
asm
aze
aze_cyrl
bel
ben
bod
bos
bul
cat
ceb
ces
chi_sim
chi_tra
...

可以发现，这里列出的语言就多了很多，比如chi_sim就代表简体中文，这就证明语言包安装成功了。

接下来再安装tesserocr即可，这里直接使用pip安装：

pip3 install tesserocr pillow

5. Mac下的安装

在Mac下，我们首先使用Homebrew安装ImageMagick和tesseract库：

brew install imagemagick 
brew install tesseract --all-languages

接下来再安装tesserocr即可：

pip3 install tesserocr pillow

这样我们便完成了tesserocr的安装。

6. 验证安装

接下来，我们可以使用tesseract和tesserocr来分别进行测试。

下面我们以如图1-26所示的图片为样例进行测试。

图1-26 测试样例

该图片的链接为https://raw.githubusercontent.com/Python3WebSpider/TestTess/master/image.png，可以直接保存或下载。 

首先用命令行进行测试，将图片下载下来并保存为image.png，然后用tesseract命令测试：

tesseract image.png result -l eng && cat result.txt

运行结果如下：

Tesseract Open Source OCR Engine v3.05.01 with Leptonica
Python3WebSpider

这里我们调用了tesseract命令，其中第一个参数为图片名称，第二个参数result为结果保存的目标文件名称，-l指定使用的语言包，在此使用英文（eng）。然后，再用cat命令将结果输出。

运行结果便是图片的识别结果：Python3WebSpider。可以看到，这时已经成功将图片文字转为电子文本了。

然后还可以利用Python代码来测试，这里就需要借助于tesserocr库了，测试代码如下：

import tesserocr
from PIL import Image
image = Image.open('image.png')
print(tesserocr.image_to_text(image))

我们首先利用Image读取了图片文件，然后调用了tesserocr的image_to_text()方法，再将其识别结果输出。

运行结果如下：

Python3WebSpider

另外，我们还可以直接调用file_to_text()方法，这可以达到同样的效果：

import tesserocr
print(tesserocr.file_to_text('image.png'))

运行结果：

Python3WebSpider

如果成功输出结果，则证明tesseract和tesserocr都已经安装成功。

python学习网，免费的在线学习python平台，欢迎关注！

本文转自：https://cuiqingcai.com/5189.html