一、Tesseract简介

Tesseract是一个OCR库(OCR是英文Optical Character Recognition的缩写)，它用来对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程，Tesseract是目前公认最优秀，识别相对精准的OCR库。

二、Tesseract的使用

1.下载并安装Tesseract：点击下载

2.在Windows系统下设置环境变量：

#根据下载安装文件的路径配置环境变量

set TESSDATA_PREFIX F:\Tesseract-OCR\

3.安装pytesseract模块

pip install pytesseract

4.在Python脚本中引入tesseract.exe应用程序的方式：

pytesseract.pytesseract.tesseract_cmd = r'F:\Tesseract-OCR\tesseract.exe'

5.案例演示

识别以下图片文字：

import pytesseract

from PIL import Image

#1.引入Tesseract程序

pytesseract.pytesseract.tesseract_cmd = r'F:\Tesseract-OCR\tesseract.exe'

#2.使用Image模块下的Open()函数打开图片

image = Image.open('6.jpg',mode='r')

print(image)

#3.识别图片文字

code= pytesseract.image_to_string(image)

print(code)

结果演示：

Google

注：tesseract-OCR引擎识别验证码有些无法识别，比如像豆瓣生成的验证码无法识别其内容，如果需要爬取豆瓣中的数据这时候就需要手动的输入验证码：

三、模拟登陆知乎源码

import requests

import time

import pytesseract

from PIL import Image

from bs4 import BeautifulSoup

def captcha(data):

with open('captcha.jpg','wb') as fp:

fp.write(data)

time.sleep(1)

image = Image.open("captcha.jpg")

text = pytesseract.image_to_string(image)

print "机器识别后的验证码为：" + text

command = raw_input("请输入Y表示同意使用，按其他键自行重新输入：")

if (command == "Y" or command == "y"):

return text

else:

return raw_input('输入验证码：')

def zhihuLogin(username,password):

# 构建一个保存Cookie值的session对象

sessiona = requests.Session()

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:47.0) Gecko/20100101 Firefox/47.0'}

# 先获取页面信息，找到需要POST的数据(并且已记录当前页面的Cookie)

html = sessiona.get('https://www.zhihu.com/#signin', headers=headers).content

# 找到 name 属性值为 _xsrf 的input标签，取出value里的值

_xsrf = BeautifulSoup(html ,'lxml').find('input', attrs={'name':'_xsrf'}).get('value')

# 取出验证码，r后面的值是Unix时间戳,time.time()

captcha_url = 'https://www.zhihu.com/captcha.gif?r=%d&type=login' % (time.time() * 1000)

response = sessiona.get(captcha_url, headers = headers)

data = {

"_xsrf":_xsrf,

"email":username,

"password":password,

"remember_me":True,

"captcha": captcha(response.content)

}

response = sessiona.post('https://www.zhihu.com/login/email', data = data, headers=headers)

print response.text

response = sessiona.get('https://www.zhihu.com/people/maozhaojun/activities', headers=headers)

print response.text

if __name__ == "__main__":

#username = raw_input("username")

#password = raw_input("password")

zhihuLogin('xxxx@qq.com','ALAxxxxIME')

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。