python3光學(xué)字符識(shí)別模塊tesserocr與pytesseract的使用詳解
OCR,即Optical Character Recognition,光學(xué)字符識(shí)別,是指通過(guò)掃描字符,然后通過(guò)其形狀將其翻譯成電子文本的過(guò)程,對(duì)應(yīng)圖形驗(yàn)證碼來(lái)說(shuō),它們都是一些不規(guī)則的字符,這些字符是由字符稍加扭曲變換得到的內(nèi)容,我們可以使用OCR技術(shù)來(lái)講其轉(zhuǎn)化為電子文本,然后將結(jié)果提取交給服務(wù)器,便可以達(dá)到自動(dòng)識(shí)別驗(yàn)證碼的過(guò)程
tesserocr與pytesseract是Python的一個(gè)OCR識(shí)別庫(kù),但其實(shí)是對(duì)tesseract做的一層Python API封裝,pytesseract是Google的Tesseract-OCR引擎包裝器;所以它們的核心是tesseract,因此在安裝tesserocr之前,我們需要先安裝tesseract
1、安裝tesseract、tesserocr、pytesseract
(1)windows下的安裝
下載tesseract:https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v4.0.0-beta.1.20180414.exe
或者本地下載:http://www.dhdzp.com/softs/538925.html
然后雙擊程序安裝即可,可以勾選Additional language data(download)選項(xiàng)來(lái)安裝OCR識(shí)別支持的語(yǔ)言包,但下載語(yǔ)言包實(shí)在是慢,我們可以直接從https://github.com/tesseract-ocr/tessdata下載zip的語(yǔ)言包壓縮文件,解壓后將tessdata-master中的文件復(fù)制到Tesseract的安裝目錄C:\Program Files (x86)\Tesseract-OCR\tessdata目錄下,最后我們配置下環(huán)境變量,我們將C:\Program Files (x86)\Tesseract-OCR添加到環(huán)境變量中
在測(cè)試之前先了解下tesseract的命令程序格式:
tesseract imagename outputbase [-l lang]
imagename指定圖片名稱,outputbase指定輸出文件名,-l指定識(shí)別的語(yǔ)言
#顯示安裝的語(yǔ)言包 tesseract --list-langs #顯示幫助 tesseract --help tesseract --help-extra tesseract --version
進(jìn)行測(cè)試:
#統(tǒng)計(jì)安裝的語(yǔ)言包,安裝了168個(gè)語(yǔ)言包
C:\Users\Administrator.DESKTOP-6JT7D2H>tesseract --list-langs | find /c /v ""
168#使用一張圖片測(cè)試,成功識(shí)別字符串
tesseract image.png result -l eng |type result.txt
Python3WebSpider
由于tesserocr在windows環(huán)境下會(huì)出現(xiàn)各種不兼容問(wèn)題,并且與pycharm虛擬環(huán)境不兼容等問(wèn)題,所以在windows系統(tǒng)環(huán)境下,選擇pytesseract模塊進(jìn)行安裝,如果實(shí)在要安裝請(qǐng)使用whl文件安裝或者使用conda安裝
pip install pytesseract
如果在pytesseract運(yùn)行是找不到tesseract解釋器,這種情況一般是在虛擬環(huán)境下會(huì)發(fā)生,我們需要將tesseract-OCR的執(zhí)行文件tesseract.ext配置到windows系統(tǒng)中的PATH環(huán)境中,或者修改pytesseract.py文件,將其中的“tesseract_cmd”字段指定為tesseract.exe的完整路徑即可
測(cè)試識(shí)別功能:
import pytesseract
from PIL import Image
im=Image.open('image.png')
print(pytesseract.image_to_string(im))
(2)linux下的安裝
在Ubuntu、Debian、Deepin系統(tǒng)中,安裝命令如下:
#安裝tesseract sudo apt-get install -y tesseract-ocr libtesseract-dev libleptonica-dev #安裝語(yǔ)言包 git clone https://github.com/tesseract-ocr/tessdata.git sudo mv tessdata/* /usr/share/tesseract-ocr/tessdata #安裝tesserocr pip3 install tesserocr #安裝pytesseract pip3 install pytesseract
在CentOS、Red Hat系統(tǒng)下,安裝命令如下:
#安裝tesseract yum install -y tesseract #安裝語(yǔ)言包 git clone https://github.com/tesseract-ocr/tessdata.git mv tessdata/* /usr/share/tesseract/tessdata #安裝tesserocr pip3 install tesserocr #安裝pytesseract pip3 install pytesseract
測(cè)試安裝環(huán)境:
In [1]: import tesserocr
In [2]: from PIL import Image
In [3]: im=Image.open('image.png')
In [4]: tesserocr.image_to_text(im)
Out[4]: 'Python3WebSpider\n\n'
tesserocr安裝參考鏈接:https://github.com/sirfz/tesserocr
pytesseract安裝參考鏈接:https://github.com/madmaze/pytesseract
tesseract安裝參考鏈接:https://github.com/tesseract-ocr/tesseract/wiki
2、tesserocr與pytesseract模塊的使用
(1)tesserocr的使用
#從文件識(shí)別圖像字符
In [7]: tesserocr.file_to_text('image.png')
Out[7]: 'Python3WebSpider\n\n'
#查看tesseract已安裝的語(yǔ)言包
In [8]: tesserocr.get_languages()
Out[8]: ('/usr/share/tesseract/tessdata/', ['eng'])
#從圖片數(shù)據(jù)識(shí)別圖像字符
In [9]: tesserocr.image_to_text(im)
Out[9]: 'Python3WebSpider\n\n'
#查看版本信息
In [10]: tesserocr.tesseract_version()
Out[10]: 'tesseract 3.04.00\n leptonica-1.72\n libgif 4.1.6(?) : libjpeg 6b (libjpeg-turbo 1.2.90) : libpng 1.5.13 : libtiff 4.0.3 : zlib 1.2.7 : libwebp 0.3.0\n'
(2)pytesseract使用
功能:
- get_tesseract_version 返回系統(tǒng)中安裝的Tesseract版本。
- image_to_string 將圖像上的Tesseract OCR運(yùn)行結(jié)果返回到字符串
- image_to_boxes 返回包含已識(shí)別字符及其框邊界的結(jié)果
- image_to_data 返回包含框邊界,置信度和其他信息的結(jié)果。需要Tesseract 3.05+。有關(guān)更多信息,請(qǐng)查看Tesseract TSV文檔
- image_to_osd 返回包含有關(guān)方向和腳本檢測(cè)的信息的結(jié)果。
參數(shù):
image_to_data(image, lang=None, config='', nice=0, output_type=Output.STRING)
- image object 圖像對(duì)象
- lang String,Tesseract 語(yǔ)言代碼字符串
- config String 任何其他配置為字符串,例如:config='--psm 6'
- nice Integer 修改Tesseract運(yùn)行的處理器優(yōu)先級(jí)。Windows不支持。尼斯調(diào)整了類(lèi)似unix的流程的優(yōu)點(diǎn)。
- output_type 類(lèi)屬性,指定輸出的類(lèi)型,默認(rèn)為string。有關(guān)所有支持類(lèi)型的完整列表,請(qǐng)檢查pytesseract.Output類(lèi)的定義。
from PIL import Image
import pytesseract
#如果PATH中沒(méi)有tesseract可執(zhí)行文件,請(qǐng)指定tesseract路徑
pytesseract.pytesseract.tesseract_cmd='C:\Program Files (x86)\Tesseract-OCR\\tesseract.exe'
#打印識(shí)別的圖像的字符串
print(pytesseract.image_to_string(Image.open('test.png')))
#指定語(yǔ)言識(shí)別圖像字符串,eng為英語(yǔ)
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='eng'))
#獲取圖像邊界框
print(pytesseract.image_to_boxes(Image.open('test.png')))
#獲取包含邊界框,置信度,行和頁(yè)碼的詳細(xì)數(shù)據(jù)
print(pytesseract.image_to_data(Image.open('test.png')))
#獲取方向和腳本檢測(cè)
print(pytesseract.image_to_osd(Image.open('test.png'))
3、圖像識(shí)別簡(jiǎn)單應(yīng)用
一般圖像處理驗(yàn)證,需要通過(guò)對(duì)圖像進(jìn)行灰度處理、二值化后增加圖像文字的辨識(shí)度,下面是一個(gè)簡(jiǎn)單的對(duì)圖像驗(yàn)證碼識(shí)別處理,如遇到復(fù)雜點(diǎn)的圖像驗(yàn)證碼如中間帶多條同等大小劃線的驗(yàn)證碼需要對(duì)文字進(jìn)行喬正切割等操作,但它的識(shí)別度也只有百分之30左右,所以得另外想別的辦法來(lái)繞過(guò)驗(yàn)證
from PIL import Image
import pytesseract
im = Image.open('66.png')
#二值化圖像傳入圖像和閾值
def erzhihua(image,threshold):
''':type image:Image.Image'''
image=image.convert('L')
table=[]
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
return image.point(table,'1')
image=erzhihua(im,127)
image.show()
result=pytesseract.image_to_string(image,lang='eng')
print(result)
模擬自動(dòng)識(shí)別驗(yàn)證碼登陸:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2018/7/13 8:58
# @Author : Py.qi
# @File : login.py
# @Software: PyCharm
from selenium import webdriver
from selenium.common.exceptions import TimeoutException,WebDriverException
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.remote.webelement import WebElement
from io import BytesIO
from PIL import Image
import pytesseract
import time
user='zhang'
password='123'
url='http://10.0.0.200'
driver=webdriver.Chrome()
wait=WebDriverWait(driver,10)
#識(shí)別驗(yàn)證碼
def acker(content):
im_erzhihua=erzhihua(content,127)
result=pytesseract.image_to_string(im_erzhihua,lang='eng')
return result
#驗(yàn)證碼二值化
def erzhihua(image,threshold):
''':type image:Image.Image'''
image=image.convert('L')
table=[]
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
return image.point(table,'1')
#自動(dòng)登陸
def login():
try:
driver.get(url)
#獲取用戶輸入框
input=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#loginname'))) #type:WebElement
input.clear()
#發(fā)送用戶名
input.send_keys(user)
#獲取密碼框
inpass=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#password'))) #type:WebElement
inpass.clear()
#發(fā)送密碼
inpass.send_keys(password)
#獲取驗(yàn)證輸入框
yanzheng=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#code'))) #type:WebElement
#獲取驗(yàn)證碼在畫(huà)布中的位置
codeimg=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#codeImg'))) #type:WebElement
image_location = codeimg.location
#截取頁(yè)面圖像并截取掩碼碼區(qū)域圖像
image=driver.get_screenshot_as_png()
im=Image.open(BytesIO(image))
imag_code=im.crop((image_location['x'],image_location['y'],488,473))
#輸入驗(yàn)證碼并登陸
yanzheng.clear()
yanzheng.send_keys(acker(imag_code))
time.sleep(2)
yanzheng.send_keys(Keys.ENTER)
except TimeoutException as e:
print('timeout:',e)
except WebDriverException as e:
print('webdriver error:',e)
if __name__ == '__main__':
login()
參考鏈接:
tesserocr GitHub:https://github.com/sirfz/tesserocr
tesserocr PyPI:https://pypi.python.org/pypi/tesserocr
pytesserocr GitHub:https://github.com/madmaze/pytesseract
pytesserocr PyPI:https://pypi.org/project/pytesseract/
tesseract下載地址:http://digi.bib.uni-mannheim.de/tesseract
tesseract GitHub:https://github.com/tesseract-ocr/tesseract
tesseract 語(yǔ)言包:https://github.com/tesseract-ocr/tessdata
tesseract文檔:https://github.com/tesseract-ocr/tesseract/wiki/Documentation
到此這篇關(guān)于python3光學(xué)字符識(shí)別模塊tesserocr與pytesseract的使用詳解的文章就介紹到這了,更多相關(guān)python3 tesserocr pytesseract內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
- python利用pytesseract 實(shí)現(xiàn)本地識(shí)別圖片文字
- python pytesseract庫(kù)的實(shí)例用法
- Python基于內(nèi)置庫(kù)pytesseract實(shí)現(xiàn)圖片驗(yàn)證碼識(shí)別功能
- python下調(diào)用pytesseract識(shí)別某網(wǎng)站驗(yàn)證碼的實(shí)現(xiàn)方法
- Python 圖片文字識(shí)別的實(shí)現(xiàn)之PaddleOCR
- Python調(diào)用百度OCR實(shí)現(xiàn)圖片文字識(shí)別的示例代碼
- Python圖像處理之圖片文字識(shí)別功能(OCR)
- Python3一行代碼實(shí)現(xiàn)圖片文字識(shí)別的示例
- python利用 pytesseract快速識(shí)別提取圖片中的文字((圖片識(shí)別)
相關(guān)文章
Python使用psutil對(duì)系統(tǒng)數(shù)據(jù)進(jìn)行采集監(jiān)控
psutil庫(kù)可以實(shí)時(shí)獲取系統(tǒng)的一些信息,這樣就可以達(dá)到實(shí)時(shí)監(jiān)控系統(tǒng)的目的。本文對(duì)詳細(xì)講解了ython使用psutil對(duì)系統(tǒng)數(shù)據(jù)進(jìn)行采集監(jiān)控,感興趣的朋友可以看一看2021-08-08
python+pytest自動(dòng)化測(cè)試函數(shù)測(cè)試類(lèi)測(cè)試方法的封裝
這篇文章主要介紹了python+pytest自動(dòng)化測(cè)試函數(shù)測(cè)試類(lèi)測(cè)試方法的封裝,文章圍繞主題展開(kāi)詳細(xì)的內(nèi)容介紹,具有一定的參考價(jià)值,需要的小伙伴可以參考一下2022-06-06
macbook如何徹底刪除python的實(shí)現(xiàn)方法
本文主要介紹了macbook如何徹底刪除python的實(shí)現(xiàn)方法,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2023-07-07
關(guān)于Python不換行輸出和不換行輸出end=““不顯示的問(wèn)題(親測(cè)已解決)
這篇文章主要介紹了關(guān)于Python不換行輸出和不換行輸出end=““不顯示的問(wèn)題(親測(cè)已解決),本文給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-10-10
python數(shù)字圖像處理數(shù)據(jù)類(lèi)型及顏色空間轉(zhuǎn)換
這篇文章主要為大家介紹了python數(shù)字圖像處理數(shù)據(jù)類(lèi)型及顏色空間轉(zhuǎn)換示例,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2022-06-06
一篇文章帶你詳細(xì)了解python中一些好用的庫(kù)
這篇文章主要推薦了一些好用的Python庫(kù),都有這不錯(cuò)的群眾基礎(chǔ),非常好用,也都很實(shí)用,推薦給大家,希望能夠給你帶來(lái)幫助2021-09-09
Python中的作用域==和is的區(qū)別及說(shuō)明
這篇文章主要介紹了Python中的作用域==和is的區(qū)別及說(shuō)明,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-01-01

