第一步安裝
Tesserocr的安裝
爬蟲過程中難免會遇到各種各樣的驗證碼，而大多數(shù)驗證碼還是圖形驗證碼，這時候我們可以直接用 OCR 來識別。
OCR
OCR，即 Optical Character Recognition，光學(xué)字符識別。是指通過掃描字符，然后通過其形狀將其翻譯成電子文本的過程。那么對于圖形驗證碼來說，它都是一些不規(guī)則的字符，但是這些字符確實是由字符稍加扭曲變換得到的內(nèi)容。
例如這樣的驗證碼
image.png
image.png
對于這種驗證碼，我們便可以使用 OCR 技術(shù)來將其轉(zhuǎn)化為電子文本，然后爬蟲將識別結(jié)果提交給服務(wù)器，便可以達(dá)到自動識別驗證碼的過程。
Tesserocr 是 Python 的一個 OCR 識別庫，但其實是對 Tesseract 做的一層 Python API 封裝，所以它的核心是 Tesseract，所以在安裝 Tesserocr 之前我們需要先安裝 Tesseract，本節(jié)我們來了解下它們的安裝方式。
相關(guān)鏈接
- Tesserocr GitHub：https://github.com/sirfz/tesserocr
- Tesserocr PyPi：https://pypi.python.org/pypi/tesserocr
- Tesseract下載地址：http://digi.bib.uni-mannheim.de/tesseract
- Tesseract GitHub：https://github.com/tesseract-ocr/tesseract
- Tesseract 語言包：https://github.com/tesseract-ocr/tessdata
- Tesseract 文檔：https://github.com/tesseract-ocr/tesseract/wiki/Documentation
Windows下的安裝
在 Windows 下，首先需要下載 Tesseract，它為 Tesserocr 提供了支持，下載鏈接為：http://digi.bib.uni-mannheim.de/tesseract/。
點擊進(jìn)入之后可以看到有各種 exe 的下載列表，在這里可以選擇下載 3.0 版本，如圖 1-24 所示為 3.05 版本。
其中文件名中帶有 dev 的為開發(fā)版本，不帶 dev 的為穩(wěn)定版本，可以選擇下載不帶 dev 的最新版本，例如可以選擇下載 tesseract-ocr-setup-3.05.01.exe。
下載完成之后雙擊安裝即可，會出現(xiàn)如圖：
在安裝過程中可以勾選上 Additional language data 選項，安裝 OCR 識別支持的語言包，這樣 OCR 便可以識別多國語言。
接下來再安裝 Tesserocr 即可，直接使用 Pip 安裝：
pip install tesserocr pillow
Linux下的安裝
Linux下的安對于 Linux 來說，不同系統(tǒng)已經(jīng)有了不同的發(fā)行包了，它可能叫做 tesseract-ocr 或者 tesseract，直接用對應(yīng)的命令安裝即可。
Ubuntu、Debian、Deepin
安裝命令如下：
sudo apt-get install -y tesseract-ocr libtesseract-dev libleptonica-dev裝
CentOS、RedHat
安裝命令如下：
yum install -y tesseract
不同發(fā)行版本運行如上命令即可完成 Tesseract 的安裝。
安裝完成之后便可以調(diào)用 tesseract 命令了。
我們查看一下其支持的語言：
tesseract --list-langs
運行結(jié)果示例：
List of available languages (3):
eng
osd
equ
結(jié)果顯示其只支持幾種語言，如果我們想要安裝多國語言還需要安裝語言包，官方叫做 tessdata。
tessdata 的下載鏈接為：https://github.com/tesseract-ocr/tessdata。
利用 Git 命令將其下載下來并遷移到相關(guān)目錄即可，不同的版本遷移命令如下：
Ubuntu、Debian、Deepin
git clone https://github.com/tesseract-ocr/tessdata.git
sudo mv tessdata/* /usr/share/tesseract-ocr/tessdata
CentOS、RedHat
git clone https://github.com/tesseract-ocr/tessdata.git
sudo mv tessdata/* /usr/share/tesseract/tessdata
這樣就可以將下載下來的語言包全部安裝了。
這時我們重新運行列出所有語言的命令：
tesseract --list-lang:
結(jié)果如下：
List of available languages (107):
afr
amh
ara
asm
aze
aze_cyrl
bel
ben
bod
bos
bul
cat
ceb
ces
chi_sim
chi_tra
即可發(fā)現(xiàn)其列出的語言就多了非常多，比如 chi_sim 就代表簡體中文，這就證明語言包安裝成功了。
接下來再安裝 Tesserocr 即可，直接使用 Pip 安裝：
pip install tesserocr pillow
Mac下的安裝
Mac 下首先使用 Homebrew 安裝 Imagemagick 和 Tesseract 庫：
brew install imagemagick
brew install tesseract --all-languages
接下來再安裝 Tesserocr 即可：
pip3 install tesserocr pillow
這樣我們便完成了 Tesserocr 的安裝。
驗證安裝
接下來我們可以使用 Tesseract 和 Tesserocr 來分別進(jìn)行測試。
下面我們以如下的圖片為樣例進(jìn)行測試，如圖 1-26 所示：
圖片鏈接為：https://raw.githubusercontent.com/Python3WebSpider/TestTess/master/image.png，可以直接保存或下載。
我們首先用命令行進(jìn)行測試，將圖片下載保存為 image.png，然后用 Tesseract 命令行測試，命令如下：
tesseract image.png result -l eng && cat result.txt
運行結(jié)果：
Tesseract Open Source OCR Engine v3.05.01 with Leptonica
Python3WebSpider
我們調(diào)用了 tesseract 命令，第一個參數(shù)為圖片名稱，第二個參數(shù) result 為結(jié)果保存的目標(biāo)文件名稱，-l 指定使用的語言包，在此使用 eng 英文，然后再用 cat 命令將結(jié)果輸出。
第二行的運行結(jié)果便是圖片的識別結(jié)果，Python3WebSpider。
我們可以看到這時已經(jīng)成功將圖片文字轉(zhuǎn)為電子文本了。
然后我們還可以利用 Python 代碼來測試，這里就需要借助于 Tesserocr 庫了，測試代碼如下：
import tesserocr
from PIL import Image
image = Image.open('image.png')
print(tesserocr.image_to_text(image))
在這里我們首先利用 Image 讀取了圖片文件，然后調(diào)用了 tesserocr 的 image_to_text() 方法，再將將其識別結(jié)果輸出。
運行結(jié)果：
Python3WebSpider
另外我們還可以直接調(diào)用 file_to_text() 方法，也可以達(dá)到同樣的效果：
import tesserocr
print(tesserocr.file_to_text('image.png'))
運行結(jié)果：
Python3WebSpider
如果成功輸出結(jié)果，則證明 Tesseract 和 Tesserocr 都已經(jīng)安裝成功。
