当前位置:首页 > 科技 >

python下以api形式调用tesseract识别图片验证码

发布时间:2017-09-08 23:41:16

python下以api形式调用tesseract识别图片验证码

之前在博文中介绍在python中如何调用tesseract ocr引擎,当时主要介绍了shell模式,shell模式需要安装tesseract程序,并且效率相对略低。

今天介绍api形式的调用方式,因为博主主要是基于windows环境进行开发,所以这里的api调用主要是指dll调用(linux之类是.so调用)

二、tesseract dll下载网址

https://github.com/charlesw/tesseract 这个网址中包含了编译好的exe及dll文件,而且x86,x64两种架构都有。

(特别说明:选择x86还是x64版本dll,只依赖于你的python架构,而不是操作系统的架构,即便是在64位操作系统,假如你的python是32位版本,这里也要选用x86版本dll)。

博主使用的64位Python,所以进入 tesseract/src/lib/TesseractOcr/x64/目录,分别下载 liblept172.dll、libtesseract304.dll 两个dll。(若是你想用shell形式调用,也可以下载tesseract.exe,与之前的博文改善的地方,就是免去安装tesseract。)

三、语言包 下载网址(tessdata)

注意说明里有这一段话,You will also need to download the language data files for tesseract 3.04 fromtesseract-ocr.

网址:https://github.com/tesseract-ocr/tesseract,下载其中的tessdata目录即可,跟dll放到同一目录。

四、vc 2015++发行包下载

注意说明里这一段话:

Since tesseract and leptonica binaries are compiled with Visual Studio 2015 you'll need to ensure you have theVisual Studio 2015 Runtimeinstalled.

意思就是,这个tesseract 的dll是使用vs 2015编译的,所以必须安装其发行包,同样分X64,X86两个版本,还是依赖于你的开发环境,不依赖于操作系统。

五、安装pyocr for python包

用pip就可以安装: pip install pyocr,也可以到官网下载源码,手动安装:https://github.com/jflesch/pyocr

最新的pyocr是0.4.1,其源码还是基于tesseract 3.0.2 ,而前文下载的tesseract 已经是3.0.4版本了,所以需要改下pyocr源码。(需要说明的是pyocr包,比起以前博文提的pytesseract包要更复杂一些,同时支持shell、api 、Cuneiform三种形式。)

修改源码文件 :C:\Python27\Lib\site-packages\pyocr\libtesseract\libtesseract_raw.py文件。

如下所示: 红色字体行,把302dll改成304dll

TESSDATA_PREFIX = os.getenv('TESSDATA_PREFIX', None) if sys.platform[:3] == "win": libnames = [ # Jflesch> Don't they have the equivalent of LD_LIBRARY_PATH on # Windows ? "../vs2010/DLL_Release/libtesseract302.dll", "libtesseract304.dll", #libtesseract302.dll ] else: libnames = [ "libtesseract.so.3", ] 六、编写测试程序

直接放源码 pyocr-test.py :

#coding=utf-8 ''' 当前目录必须有tessdata ,libtesseract304.dll ,liblept172.dll ''' import os ,sys tessdir = os.getenv('TESSDATA_PREFIX', None) if tessdir is None : tessdir = os.path.split(os.path.realpath(__file__))[0] os.environ['TESSDATA_PREFIX'] = tessdir if tessdir not in os.environ['PATH']: os.environ['PATH']= tessdir+';' +os.environ['PATH'] #sys.path.append(tessdir) print os.environ['PATH'] print os.environ['TESSDATA_PREFIX'] from pyocr import libtesseract from pyocr.builders import TextBuilder from PIL import Image filename ='1.png' img = Image.open(filename) #不设置成单行模式,没有输出 bu = TextBuilder(tesseract_layout=7) #lang为语言,默认使用eng print libtesseract.image_to_string(img,lang='fontet',builder=bu)

几个注意点:

1、前文下载的dll 与tessdata语言包文件夹,默认放到 pyocr-test.py 的同一目录下;

2、必须安装vc++ 2015 发行包(vc_redist.x86.exe 或vc_redist.x64.exe),否则会ctypes.cdll.LoadLibrary(libname)会调用dll失败。

3、源码里的第一段,主要就是用来解决python找不到dll的问题,这段代码主要功能:把当前目录加到系统PATH环境变量里,以确保dll能被搜到。

这个地方容易出问题,主要是os.path.realpath 、__file__这几个内部函数和常量,貌似在不同的开发环境,甚至不同的开发工具下都会有不同的结果,跟pyocr无关,主要是python的问题。

import os tessdir = os.getenv('TESSDATA_PREFIX', None) if tessdir is None : tessdir = os.path.split(os.path.realpath(__file__))[0] os.environ['TESSDATA_PREFIX'] = tessdir if tessdir not in os.environ['PATH']: os.environ['PATH']= tessdir+';' +os.environ['PATH']

4、实测时发现,bu = TextBuilder(tesseract_layout=7) 这一段不写,会导致识别出错,这个等于以前博文提到-psm 7函数,也就是单行模式。

企业建站2800元起,携手武汉肥猫科技,做一个有见地的颜值派!更多优惠请戳:荆州网站建设 http://jingzhou.45qun.com