标签：结果 登录 git 4.0 信息 text 界面 ORC txt文本
验证码自动识别
在很多WEB网站登录的时候，都需要输入验证码，Python提供了一些库（例如常用的OCR库）来识别和使用在线图片中的文字。
将图像翻译成文字一般被称为光学文字识别(Optical Character Recognition, OCR)。可以实现OCR的底层库并不多,目前很多库都是使用共同的几个底层 OCR 库,或者是在上面 进行定制。
在读取和处理图像、图像相关的机器学习以及创建图像等任务中，Python 一直都是非常出色的语言。虽然有很多库可以进行图像处理，但在这里我们只重点介绍：Tesseract
Tesseract 是一个 OCR 库,目前由 Google 赞助(Google 也是一家以 OCR 和机器学习技术闻名于世的公司)。Tesseract 是目前公认最优秀、最精确的开源 OCR 系统。 除了极高的精确度,Tesseract 也具有很高的灵活性。它可以通过训练识别出任何字体，也可以识别出任何 Unicode 字符。
tesseract-ocr4.0安装步骤如下：
1.软件下载。
软件下载网址：https://github.com/tesseract-ocr/tesseract/wiki/4.0-with-LSTM#400-alpha-for-windows
选择4.0.0-alpha for Windows下面 Windows Installer made with MinGW-w64 from UB Mannheim，点击UB Mannheim 进入另一网页。
进入得网址为 https://github.com/UB-Mannheim/tesseract/wiki
点击tesseract-ocr-w64-setup-v4.0.0-beta.1.20180608.exe，下载4.0版本的软件。
备注：Window系统的版本不一样下载对应的版本。
2. 双击安装软件，安装过程按照下面的图片指示进行。
注意：选择安装语言包，包含英文（默认安装）、中文、数学公式等，可以根据需要自己下载。
安装完后打开软件安装的目录。
备注：
如果不是做英文的图文识别，还需要下载其他语言的识别包https://github.com/tesseract-ocr/tesseract/wiki/Data-Files。
简体字识别包：https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/chi_sim.traineddata
安装完成之后，只能在软件所在的目录中才能够使用该软件，为了能将该软件在cmd下任意目录中调用，需要把 C:\Tesseract-OCR\tessdata 配置到系统环境变量中。
我的计算机->右键属性打开界面->点击高级系统设置->在打开的系统属性界面，点击"环境变量"->在环境变量界面选择"系统变量"中选中path，然后点下面的编辑，打开编辑环境变量界面,把 C:\Tesseract-OCR 添加到变量中，点"确定"。
配置完成，打开命令终端，输入：tesseract -v，可以看到版本信息。
如果出现报错，估计是环境变量没配置好。
到这里，我们就算安装完成了，但是，我们的系统还是无法识别中文的，我们要去下载简体汉字、繁体汉字语言包（上面提供了下载地址），下载好之后放到安装目录的tessconfigs目录下即可。
注意：因为没有配置全局变量，无法跨盘执行数据转换，这里我们在环境变量那增加一个配置信息。
在系统变量下面点击“新建”，变量名TESSDATA_PREFIX，变量值 C:\Tesseract-OCR\tessdata，然后点击确定，之后界面依次点击确定，完成设置。
tesseract-ocr没有窗口界面，只能通过命令调用，调用需要 cmd 或 powershell。
Cmd 打开可以通过，开始->Windows系统->命令提示符或者按快捷键 win+r 输入cmd 后回车调用。
1.先制作2张图片。T_jpg1 和 T_png1。
2.在cmd命令行里面输入：
格式： tesseract 图片名称 生成的结果文件的名称 字库
例子：
tesseract C:\image\T_jpg1.jpg C:\image\T_jpg.txt -l chi_sim
然后回车。
【T_jpg1】是 C:\image目录下的T_jpg1图片。
【T_jpg.txt】是指定结果输出到C:\image\T_jpg.txt文本文件中。
-l是指定使用的包。
【chi_sim】是中文识别包。
回车后，稍等运行结果，运行完成后，在目录C:\image中看到T_jpg.txt文件，打开如图。
如果需要在Python上识别图片，需要安装Python版本的pytesseract库，安装pytesseract库之前，需要先 Pillow 库，使用命令：pip install Pillow。
接着再安装 pip install pytesseract，安装成功。
如果不安装Pillow库，就会报如下错误。
新建一个test.png图片，保存在当前程序目录下。
例子：
import pytesseract
from PIL import Image
#如果不修改pytesseract.py文件，可以在程序中指定tesseract_cmd的运行文件
#tesseract_cmd = ‘C:/Tesseract-OCR/tesseract.exe‘
image = Image.open(‘test.png‘)
text = pytesseract.image_to_string(image)
print(text)
报错：
需要修改 C:\Python35\Lib\site-packages\pytesseract下的 pytesseract.py 文件。
修改pytesseract.py文件里的tesseract_cmd 值。
tesseract_cmd = ‘C:\Tesseract-OCR\tesseract.exe‘
修改完之后，运行程序，如下：
大多数网站生成的验证码图片都具有以下属性：
1.它们是服务器端的程序动态生成的图片。验证码图片的 src 属性可能和普通图片不太一 样，比如 <img src="WebForm.aspx?id=8AP85CQKE9TJ">，但是可以和其他图片一样进行下载和处理。
2.图片的答案存储在服务器端的数据库里。
3.很多验证码都有时间限制，如果你太长时间没解决就会失效。
4.常用的处理方法就是，首先把验证码图片下载到硬盘里，清理干净，然后用 Tesseract 处理图片，最后返回符合网站要求的识别结果。
例子：登录验证码图片
程序：
import pytesseract
from PIL import Image
#如果不修改pytesseract.py文件，可以在程序中指定tesseract_cmd的运行文件
#tesseract_cmd = ‘C:/Tesseract-OCR/tesseract.exe‘
image = Image.open(‘yzm1.png‘)
text = pytesseract.image_to_string(image)
print(text)
运行结果：
通过例子，可以看出，识别是有误差的，这就需要机器的自我学习，需要我们训练Tesseract。
标签：结果 登录 git 4.0 信息 text 界面 ORC txt文本
原文地址：https://www.cnblogs.com/tinghai8/p/9219724.html
