shibie-pyocr's Introduction

基于tesseract的图形验证码识别

必须程序包

Python 3.7
tesseract
tesseract-data-???

必须的Python库

在requirements.txt文件中也有给出

six == 1.11.0
pyocr == 0.5.3
Pillow == 5.3.0

操作步骤

在Arch系系统下（比如目前DistroWatch上排名第一的Manjaro），打开终端，输入 sudo pacman -S tesseract 即可安装目前最新的 tesseract 3.05.01-6。

sudo pacman -S tesseract

参考地址

https://github.com/tesseract-ocr/tesseract
如果要利用tesseract进行识别，还需要安装特定的语言包
必备的语言数据包是英文的，使用 sudo pacman -S tesseract-data-eng命令安装。如果还想解析中文的验证码，可以安装tesseract-data-chr软件包。

sudo pacman -S tesseract-data-eng
sudo pacman -S tesseract-data-chi_xxx

参考地址

https://github.com/tesseract-ocr/tessdata
关于一些类似的模块的说明
没有必要安装tesseract，pytesseract等等这些别人贡献的类库，经过实测这些类库的语言规范都是py2.x版本的，很多内容在python3.7当中是无法使用的，还有类似于tesseract库所import的voro库，在pip安装命令当中并没有找到，以及ConfigParser库在现在只有configparser库，种种很多错误，而且修改起来很麻烦，也很难改好，所以就不用这些。

pip install -r requirements.txt

简陋代码实现

 import pyocr
 import sys
 from PIL import Image

 tools = pyocr.get_available_tools()[:]
 if len(tools) == 0:
     print("no ocr tool found")
     sys.exit(1)
 else:
     print("Using '%s' " % (tools[0].get_name()))
 image = Image.open("timg.jpg")
 print(tools[0].image_to_string(image,lang="eng"))