系列文章目录

python爬虫目录

文章目录

系列文章目录
前言
一、图形验证码识别技术
二、安装
- 1、Linux系统
- 2、Mac系统
- 3、Windows系统
三、在命令行中使用tesseract识别图像
四、在代码中使用tesseract识别图像
五、用pytesseract处理网站图形验证码

前言

摘录自B站对应课程笔记
不愧是清华大佬！把Python网络爬虫讲得如此简单明了！从入门到精通保姆级教程（建议收藏）

以下是本篇文章正文内容，下面案例可供参考

一、图形验证码识别技术

阻碍我们爬虫的。有时候正是在登录或者请求一些数据时候的图形验证码。因此这里我们讲解一种能将图片翻译成文字的技术。将图片翻译成文字一般被成为光学文字识别（Optical Character Recognition），简写为OCR。实现OCR的库不是很多，特别是开源的。因为这块存在一定的技术壁垒（需要大量的数据、算法、机器学习、深度学习知识等），并且如果做好了具有很高的商业价值。因此开源的比较少。这里介绍一个比较优秀的图像识别开源库：Tesseract。

Tesseract：
Tesseract是一个OCR库，目前由谷歌赞助。Tesseract是目前公认最优秀、最准确的开源OCR库。Tesseract具有很高的识别度，也具有很高的灵活性，他可以通过训练识别任何字体。

二、安装

1、Linux系统

可以在以下链接下载源码自行编译。
https://github.com/tesseract-ocr/tesseract/wiki/Compiling
或者在ubuntu下通过以下命令进行安装：

sudo apt install tesseract-ocr

2、Mac系统

#用Homebrew即可方便安装：
brew install tesseract

3、Windows系统

在以下链接下载可执行文件，然后一顿点击下一步安装即可（放在不需要权限的纯英文路径下）：
https://github.com/tesseract-ocr/ 或 https://github.com/UB-Mannheim/tesseract/wiki

安装时可以将语言包选上（比如不选择的话，默认的只能解析英文）

设置环境变量

安装完成后，如果想要在命令行中使用Tesseract，那么应该设置环境变量。Mac和Linux在安装的时候就默认已经设置好了。在Windows下把tesseract.exe所在的路径添加到PATH环境变量中。

还有一个环境变量需要设置的是，要把训练的数据文件路径也放到环境变量中。
在环境变量中，添加一个TESSDATA_PREFIX=C:\path_to_tesseractdata\teseractdata。

输入命令tesseract --list-langs 可以支持的语言

输入命令 tesseract b.png b -l chi_sim ：使用中文识别 b.png 图片，保存到 b.txt 文件中

三、在命令行中使用tesseract识别图像

如果想要在cmd下能够使用tesseract命令，那么需要把tesseract.exe所在的目录放到PATH环境变量中。然后使用命令：tesseract 图片路径文件路径。

tesseract a.png a

那么就会识别出a.png中的图片，并且把文字写入到a.txt中。如果不想写入文件直接想显示在终端，那么不要加文件名就可以了。

四、在代码中使用tesseract识别图像

在Python代码中操作tesseract。需要安装一个库，叫做pytesseract。通过pip的方式即可安装：

pip install pytesseract

并且，需要读取图片，需要借助一个第三方库叫做PIL。通过pip list看下是否安装。如果没有安装，通过pip的方式安装：

pip install PIL

注意：高版本中PIL库包含在Pillow库中，再次输入pip install Pillow

使用pytesseract将图片上的文字转换为文本文字的示例代码如下：

import pytesseract  # 导入pytesseract库
from PIL import Image  # 导入 Image 库# 指定 tesseract.exe 所在路径
pytesseract.pytesseract.tesseract_cmd = r"D:\Tesseract-OCR\tesseract.exe"image = Image.open("a.png")  # 打开英文图片
text = pytesseract.image_to_string(image=image)
print(text)
print(">>" * 10)
image = Image.open("b.png")  # 打开中文图片
text = pytesseract.image_to_string(image=image, lang='chi_sim')
print(text)

五、用pytesseract处理网站图形验证码

import pytesseract
from urllib import request
from PIL import Image
import time# 指定 tesseract.exe 所在路径
pytesseract.pytesseract.tesseract_cmd = r"D:\Tesseract-OCR\tesseract.exe"while True:filename = "captcha.png"captcha_url = "http://111.111.222.222/include/xxx.php?"request.urlretrieve(captcha_url, "captcha.png")image = Image.open(filename)text = pytesseract.image_to_string(image)print(text)time.sleep(2.5)
# 并不是所有都能识别出来

4.3-python爬虫之图形验证码识别相关推荐

网络爬虫笔记—图形验证码识别
网络爬虫笔记-图形验证码识别 <兄弟们,本文章开启了关注后阅读.大家如不想关注,可直接微信搜索"宏蜘蛛"或文章标题,查看文章.> 1.什么是图形验证码像知网注册界面的 ...
Python爬虫过程中验证码识别的三种解决方案
在Python爬虫过程中,有些网站需要验证码通过后方可进入网页,目的很简单,就是区分是人阅读访问还是机器爬虫.验证码问题看似简单,想做到准确率很高,也是一件不容易的事情.为了更好学习爬虫,后续推文中将 ...
python点触图形验证码识别_GitHub - AaronJny/captcha_detection: 点选式验证码识别方案...
方案要点: 点选式验证码的一般解决流程如何使用 xyolo 训练自己的目标检测模型不借助 OCR 功能解决中文验证码的识别问题爬虫,反爬虫,反反爬虫--一个无限循环. 验证码是反爬虫手段中的常用 ...
Python爬虫之网站验证码识别（三）
视频链接:Python爬虫7天速成(2020全新合集)无私分享 Python: 章节p29-p31 文章目录前言一.云打码平台使用流程操作流程二.代码编写⭐ 2.1 使用超级鹰云平台 2.2 ...
python爬虫之图片验证码识别
将图片翻译成文字的技术被称为光学文字识别,即OCR(Optical Character Recognition)技术 Tesseract 是有谷歌赞助的,目前公认最优秀.最准确的开源OCR库安装下 ...
网络爬虫笔记—图形验证码获取
网络爬虫笔记-图形验证码获取 1.验证码获取思路 1)使用selenium库操作谷歌浏览器,打开目标网站: 2)对目标网站进行截图,并将图片保存到本地: 3)获取验证码元素节点在屏幕上的位置,即横纵坐 ...
[Python爬虫] 5-爬虫进阶(多线程爬虫/动态网页抓取/图形验证码识别)
# I.多线程爬虫 # 1)概念:多线程是为了同步完成多项任务,通过提高资源使用效率来提高系统的效率 # 线程:火车的车厢,进程:火车头 # # 2)threading模块:专门提供用来做多线程编程的 ...
网络爬虫笔记—滑动验证码识别
网络爬虫笔记-滑动验证码识别一.什么是滑动验证码点击之前点击之后像这种通过滑动图片,补全缺口的方式,就是滑动验证码. 二.识别思路 1)使用selenium库操作谷歌浏览器,打开目标网站:关于 ...
基于selenium实现12306的登录操作（图形验证码识别）
说明 12306 会有如下一个图形验证码识别点击,所以必须得先点击正确图片,才能继续进行操作. 基本步骤 selenium打开对应网站,并进行截图将图片截取出对应验证码所在图片通过超级鹰识别出要点 ...
基于Python的KNN数字验证码识别
一.主要内容本项目基于Python爬虫爬取验证码图片,对图片进行去噪.分割,通过KNN算法训练模型,实现验证其准确率. 二.系统流程首先从指定的网页中爬取验证码图片数据,然后对数据进行一个去噪和分 ...

4.3-python爬虫之图形验证码识别