Python爬虫教程-29-验证码识别-Tesseract-OCR

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

本篇是关于验证码识别问题，也是Python爬虫笔记的一个结尾，使用 Tesseract

常见反爬虫手段：
- 验证码
  - 1.简单图片，扭曲数字验证码
  - 2.中文顺序点击
  - 3.动态验证码
  - 4.滑动验证：滑动小方块到缺口
  - 5.语音验证
  - 6.极验验证：官网：http://www.geetest.com/
    
    根据鼠标轨迹，判定是机器人还是用户，很强大的验证机制
对于极验是很厉害的拦截机器人手段，好像是使用人工智能机器学习，当然自己想做验证的话建议使用。对于验证有反爬虫，就有可能有反反爬虫

爬虫-验证码识别

通用方法：
- 1.下载网页和验证码，或截图
- 2.然后手动输入验证码
对于简单图片
- 1.使用图像识别软件或者文字识别软件
- 2.可以使用第三方图像验证码破解网站
  - 比如：超级鹰：http://www.chaojiying.com/
对于极验，官网：http://www.geetest.com/
- 可以模拟鼠标移动，具体的方法我还不清楚

通用方法案例

能力有限，这里就介绍通用方法，先下载得到验证图片，然后手动输入
Tesseract
- 机器视觉领域的基础软件
- OCR：OpticalChracterRecognition，光学文字识别
- Tesseract：是一个 OCR 库，由 Google 赞助

Tesseract-Windows的安装

Tesseract Windows安装包下载：https://digi.bib.uni-mannheim.de/tesseract/
上面链接看着头疼就下我的网盘里的：
- 链接：https://pan.baidu.com/s/13KRXi-2FCkA9_6MBQ_wxeg 密码：gtp1
安装的话就默认安装就好，如果选中那个在线安装包，会很慢，耐心等下
路径最好不要更改，除非熟练掌握环境变量

Tesseract-macOS的安装

我也没有 MacBook，老师顺口一说，记下了
brew install tesseract

Tesseract-Linux的安装

我这里是 Ubuntu 18 其他 Linux 版本不确定，进入管理员用户
apt-get install tesseract-ocr

python使用tesseract的工具 pytesseract 的安装

如果使用的是 Anaconda 环境：
- 进入当前环境：(我的环境名为learn，如果只有一个base环境，忽略此步)

activate learn

安装 pytesseract

pip install pytesseract

操作截图
首先说一下，conda 是没有这个包的，也就不能使用 conda install，也不能直接在 Pycharm 里找到，只有使用 pip 安装，然后需要注意的就是，要使用你在 Pycharm 使用的那个环境进行安装

识别验证码案例

注意：此代码路径是，在图片和代码在同一目录
图片截图：
代码 py30pytess.py 文件：

import pytesseract as ptfrom PIL import Image# 生成图片实例 image = Image.open('timg.jpg')# 调用 pytesseract 识别图片文字 text = pt.image_to_string(image)print(text)