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。

　　如今python编程语言市场需求大，薪资待遇上万尽在咫尺！如果你也想学习python技术可以填写下面表单，Python学习资料限时免费领取！