python填坑之路:tesserocr配置

落日映苍穹つ 2022-04-18 01:52 238阅读 0赞

最近在学爬虫，在模拟登录网站的时候常常需要输入验证码，最常见的就是OCR(Optical Character Recognition,光学字符识别） ，于是乎了解到tesserocr这个库，但是安装的过程可谓坎坷。

大致的过程可参考博客：[崔庆才的个人博客][Link 1]，但是最好注意以下几点

1.  将tesseract(注意不是tesserocr)的安装路径加入环境变量。
2.  将tesseract安装目录下的tessdata文件夹复制到你python的安装路径中去。如下

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70][]

3. 如果pip3 install tesserocr pillow失败，考虑使用下载whl文件安装，可参考我之前的一篇博文[whl文件版本选择。][whl]

whl文件下载地址：[https://github.com/simonflueckiger/tesserocr-windows\_build/releases][https_github.com_simonflueckiger_tesserocr-windows_build_releases]

下面给出一个实例，我在爬取学校教务系统数据用到的，这个系统我后面有空会详细展开，下面仅给出用于ocr部分的代码：

import requests
    import os
    import tesserocr
    from PIL import Image
    import re
    from requests.exceptions import RequestException
    headers ={
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
    }
    
    def download_image(url):
        print('当前正在下载验证码图片',url)
        try:
            response = requests.get(url,headers=headers)
            if response.status_code == 200:
                save_image(response.content)
            return None
        except RequestException:
            print('下载验证码图片出错',url)
            return None
    
    def save_image(content):
        file_path = 'code.jpg'
        if os.path.exists(file_path):
            os.remove(file_path)
        with open(file_path,"wb") as f:
            f.write(content)
            f.close()
    
    def get_ocr():
        download_image("http://csujwc.its.csu.edu.cn/verifycode.servlet")
        image = Image.open("code.jpg")
        image = image.convert('L')
        threshold = 127
        table =[]
        for i in range(256):
            if i<threshold:
                table.append(0)
            else:
                table.append(1)
        image = image.point(table,'1')
        result = tesserocr.image_to_text(image)
        result = re.sub('\s','',result)
        result = result.lower()
        if len(result)>4:
            result = result[0:4]
        print("result:"+result)
        return result
    
    if __name__ =="__main__":
        get_ocr()

[Link 1]: https://cuiqingcai.com/5189.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70]: /images/20220418/f9498642f7e44e929f8b250445d62d79.png
[whl]: https://blog.csdn.net/ygdxt/article/details/80517024
[https_github.com_simonflueckiger_tesserocr-windows_build_releases]: https://github.com/simonflueckiger/tesserocr-windows_build/releases