利用 tesseract 解析简单数字验证码图片
tesseract 是一个 OCR（Optical Character Recognition，光学字符识别）引擎，能够识别图片中字符，利用这个可以用来解析一些简单的图片验证码
Github 地址：https://github.com/tesseract-ocr/tesseract
Windows 平台 v3.05.01 版本下载地址：http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-3.05.01.exe
一开始弄这个是因为学校网络要上网每次都要在网页验证，就想能不能写个程序自动验证免去手动验证过程。但这需要验证码，为了解决这个问题，就上网搜了一下，就看到有用 tesseract 的。
有人用 Python 实现了一个工具：https://github.com/madmaze/pytesseract
拿来试了一下，Windows 上使用总是有问题
我就把目光转向了 tesseract 本身，这是它的使用说明
C:\Program Files\Tesseract-OCR>tesseract
Usage:
tesseract --help | --help-psm | --version
tesseract --list-langs [--tessdata-dir PATH]
tesseract --print-parameters [options...] [configfile...]
tesseract imagename|stdin outputbase|stdout [options...] [configfile...]
OCR options:
--tessdata-dir PATH Specify the location of tessdata path.
--user-words PATH Specify the location of user words file.
--user-patterns PATH Specify the location of user patterns file.
-l LANG[+LANG] Specify language(s) used for OCR.
-c VAR=VALUE Set value for config variables.
Multiple -c arguments are allowed.
-psm NUM Specify page segmentation mode.
NOTE: These options must occur before any configfile.
Page segmentation modes:
0 Orientation and script detection (OSD) only.
1 Automatic page segmentation with OSD.
2 Automatic page segmentation, but no OSD, or OCR.
3 Fully automatic page segmentation, but no OSD. (Default)
4 Assume a single column of text of variable sizes.
5 Assume a single uniform block of vertically aligned text.
6 Assume a single uniform block of text.
7 Treat the image as a single text line.
8 Treat the image as a single word.
9 Treat the image as a single word in a circle.
10 Treat the image as a single character.
Single options:
-h, --help Show this help message.
--help-psm Show page segmentation modes.
-v, --version Show version information.
--list-langs List available languages for tesseract engine.
--print-parameters Print tesseract parameters to stdout.
最后就决定自己实现一个简单的接口
使用方法
ocr = Ocr(r'C:\Program Files\Tesseract-OCR')
# 本地图片
result = ocr.exec(img_path=r"e:\python\pyocr\images\1.png")
# 网络图片
result = ocr.exec(img_url="http://oog4yfyu0.bkt.clouddn.com/2.jpg")
print(result)
对参数解释一下
def __init__(self, ocr_path, out_path=None, mode=3, delete=True):
"""
ocr_path:
tesseract 引擎的安装路径，例如我的 r'C:\Program Files\Tesseract-OCR'
out_path:
输出文件路径，如果只是简单为了获取解析出来的数字，可不管，默认地址为 r"D:\result.txt"
mode:
图片的切割模式，参见 tesseract 使用方法，默认为 3
delete:
是否保留生成的文本文件，默认不保存
"""
def exec(self, *, img_path="", img_url=None):
""" 执行命令
img_path:
本地图片路径，如 r"e:\python\pyocr\images\1.png"
img_url:
网络图片地址，如 "http://oog4yfyu0.bkt.clouddn.com/2.jpg"
"""具体思路
本地图片的，先判断该文件是否存在；网络图片的，下载到本地，默认的保存路径是 "./tmp_img.jpg" （保存在哪不重要，只是暂存而已，解析完会自动删除的）
save_img = TMP_IMG
if os.path.exists(img_path):
save_img = img_path
else:
try:
request.urlretrieve(img_url, save_img)
except Exception as e:
print(e)接下来是一些非必要参数
# 默认的文本文件存放路径为 "./tmp_dir"（这个也不重要，程序结束也会自动删除）
if self._outpath is None:
self._outpath = TMP_DIR
# tesseract 在执行的时候，输出文件路径不需要带 .txt 后缀，它自己会生成的。
elif self._outpath.endswith(EXTENSION):
self._outpath = self._outpath[:-4]
# 这个是模式选择，如果模式非法设置为默认的 3
if self._mode > 10 or self._mode < 0:
self._mode = 3接下来就是执行命令
# 当前目录切换到引擎安装路径
os.chdir(self._ocrpath)
# 拼装命令
cmd = "tesseract.exe {save_img} {out} -psm {mode}".format(
save_img=save_img, out=self._outpath, mode=self._mode
)
# 执行命令
os.system(cmd)
# 读取解析结果
try:
txt_file = self._outpath + EXTENSION
with open(txt_file, "r") as f:
ocr_text = f.read().strip()
if self._delete:
os.remove(txt_file)
os.remove(TMP_IMG)
return ocr_text
except IOError:
print("无法找到该文件!")至于为什么只是数字，是因为英文的总是不能完全解析出来，修改了 -l 参数也是没用，使用其自带的 tessdata 也没用，中文的话解析出来的内容完全看不懂... （或许是我打开方式不对？）
效果
C:\Users\54186\Anaconda3\python.exe E:/Python/pyocr/ocr.py
Tesseract Open Source OCR Engine v3.05.00dev with Leptonica
5108
C:\Users\54186\Anaconda3\python.exe E:/Python/pyocr/ocr.py
Tesseract Open Source OCR Engine v3.05.00dev with Leptonica
4893
C:\Users\54186\Anaconda3\python.exe E:/Python/pyocr/ocr.py
Tesseract Open Source OCR Engine v3.05.00dev with Leptonica
130768
温馨提示：不能保证百分百正确，也不能保证百分百解析得出来。所以项目仅供参考！！！要有保证的话还是找打码平台吧
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent