脚本宝典收集整理的这篇文章主要介绍了OCR识别验证码,脚本宝典觉得挺不错的,现在分享给大家,也给大家做个参考。
最近在爬某网站,老是蹦出来验证码,就想着找个OCR破了这个验证码,然后就开始了OCR探索之旅。
首先简单说一下什么是OCR
OCR是(Optical Character RecognITion,光学字符识别)的简称,主要用途:
OCR识别的验证码原理
采集一批验证码,根据图片特点进行初步处理(二值化/灰度化/滤波/降噪等处理)
然后分割图片,旋转图片,模板选取,训练算法,让它更准确。
OCR识别验证码的具体操作
首先我测试了一个百度开源的Node.js实现的OCR包
gitHub地址 https://github.com/netpi/baidu-ocr-api
安装也很简单直接按照官方的文档安装即可
发现百度的这个OCR包识别效果不太理想
![node_ocr.png][1]
然后经过一番GOOGLE和小伙伴们的推荐 选择一个Google开源的tesseract这个是C++写的,直接融合到爬虫里不太方便,__有外国朋友基于tesseract封装了一个Python的包pytesseract__,直接开箱即用,融入爬虫程序中。
-
百闻不如一run
**ps(这里使用的操作系统是Ubuntu16.04;Python版本是2.7)**
直接 `pip install pytesseract` 然后Python图片处理要用到PIL(Python Imaging Library) `pip install PIL`
原图片
写个简单的测试demo
![code.png][3]
看下识别结果
![error.png][4]
报错了, 根据报错信息来看,是确实了什么文件,或者依赖lib
我跟踪了pytesseract的代码,发现是少了C++提供的OCR服务,因为pytesseract是调用的tesseract(C++写的)
然后安装tesseract ```sudo apt install tesseract```
再run一下代码
整体结果还可以(倒数第四位识别错了),再训练一下准确率就更高了。
预知后事如何,且听下回分解
以上是脚本宝典为你收集整理的OCR识别验证码全部内容,希望文章能够帮你解决OCR识别验证码所遇到的问题。
本图文内容来源于网友网络收集整理提供,作为学习参考使用,版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ:384754419,请注明来意。