python

导航

Python3爬虫里tesserocr该如何去安装?

来源 :中华考试网 2020-12-04

  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。

7d83a3085839a2fb6e0b74edb733ba9.png

  图1-22 验证码

08666d5681656b088e3f7fdc7e2e92f.png

  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。

f8a7beb0e2967e47b27059cd48acf4b.png

  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。

1729442b89bb666591f98353dfd96ed.png

  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!

分享到

您可能感兴趣的文章