Python零基础之Tesseract图像识别

1. 什么是Tesseract

• tesseract: “立方体的四维模拟；四次元立方体；超正方体”。
• tesseract ocr: 图像识别类库 ; 光学字符识别
  • OCR，即Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。

2. 下载和安装

• 下载:
  • Tesseract程序下载
    • 带有dev的为开发版本，不带dev的为稳定版本，可以选择下载不带dev的版本
  • Tessdata语言包下载
    • 识别中文图像,需要下载语言安装包
      
• 安装:
  • 在操作系统中安装: 双击exe,一路next.
  • 把文件安装目录添加进windows环境变量, 另外添加一条环境变量, 如:

    • TESSDATA_PREFIX=F:\Tesseract-OCR\tessdata

  • 在python中安装Tesseract

    • pip install pytesseract

• 测试:
  • cmd命令行下输入

    • tesseract --version

  • 如果回显版本号,则表示安装成功

3. 示例代码

• 本地图片的处理

import pytesseract
from PIL import Image # Pillow


pytesseract.pytesseract.tesseract_cmd = r'F:\Tesseract-OCR\tesseract.exe'
tessdata_dir_config = r'--tessdata-dir "F:\Tesseract-OCR\tessdata"'
image = Image.open('demo.png')
print(pytesseract.image_to_string(image,lang='eng',config=tessdata_dir_config))

• 网络图片的处理
• 其中url地址为验证码图片的地址

import pytesseract
from PIL import Image # Pillow
from urllib import request
import time


pytesseract.pytesseract.tesseract_cmd = r'F:\Tesseract-OCR\tesseract.exe'
tessdata_dir_config = r'--tessdata-dir "F:\Tesseract-OCR\tessdata"'

url = ''
request.urlretrieve(url,'./result/code.jpg')

image = Image.open('./result/code.jpg')
text = pytesseract.image_to_string(image,lang='eng',config=tessdata_dir_config)
print(text)

time.sleep(2)