介绍

在爬虫过程中，难免会遇到各种各样的验证码，而大多数验证码还是图形验证码，这时候我们可以直接用 OCR 来识别。

tesserocr 是 Python 的一个 OCR 识别库 ，但其实是对 tesseract 做的一 层 Python API 封装，所以它的核心是 tesseract。 因此，在安装 tesserocr 之前，我们需要先安装 tesseract 。

例如：对于下图的验证码，我们可以通过 OCR 技术将其转换成电子文本，然后爬虫将识别的结果提交给服务器，便可以达到自动识别验证码的过程。

相关链接

tesserocr GitHub: https://github.com/sirfz/tesserocr

tesserocr PyPI: https://pypi.python.org/pypi/tesserocr

tesseract 下载地址: http://digi.bib.uni-mannheim.de/tesseract

tesseract GitHub: https://github.com/tesseract-ocr/tesseract

tesseract 语言包: http://github.com/tesseract-ocr/tessdata

tesseract 文档: https://github.com/tesseract-ocr/tesseract/wiki/Documentation

Windows下的安装

在 Windows 下，首先需要下载 tesseract，它为 tesserocr 提供了支持。

进入下载页面，可以看到有各种 .exe 文件的下载列表，这里可以选择下载 3.0 版本 。 如下图所示为 3.05 版本 。

其中文件名中带有 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， 例如可以选择下载 tesseract-ocr-setup-3 .05.01.exe。

下载完成后双击运行，安装程序。需要注意的是，需要句选 Additional language data(download）选项来安装 OCR 识别支持的语言包，这样 OCR 便可以识别多国语言 。

给tesseract配置环境变量：

（1）将tesseract安装路径添加到path环境变量中

（2）将tesseract的语言包添加到环境变量中，在环境变量中新建一个系统变量，变量名称为TESSDATA_PREFIX，tessdata是放置语言包的文件夹，一般在你安装tesseract的目录下，即tesseract的安装目录就是tessdata的父目录，把TESSDATA_PREFIX的值设置为它即可

接下来 ， 再安装 tesserocr 即可：

#pip install tesserocr pillow

验证安装

测试样例：

图片下载：http://images.cnblogs.com/cnblogs_com/Jimc/1316973/o_image.png

（1）用 tesseract 命令测试：

tesseract image.png result -l eng 

运行结果如下：

Tesseract Open Source OCR Engine v3.05.01 with Leptonica

（2）利用 Python 代码测试：

# coding=utf-8

import pytesseractfrom PIL import Image

# open imageimage = Image.open('./test.png')code = pytesseract.image_to_string(image, lang='chi_sim')print(code)

运行结果如下：

PythonWebSpider

另外，还可以直接调用 tesserocr 模块的 file_to_text() 方法，可以达到同样的效果：

import pytesseract

print(pytesseract.file_to_text('image.png'))

运行结果如下：

PythonWebSpider

如果成功输出结果，则证明 tesseract 和 tesserocr 都已经安装成功。