OCR

OCR，即Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。

tesserocr是Python的一个OCR识别库，但其实是对tesseract做了一层Python API的封装，所以它的核心是tesseract。因此，在安装tesserocr之前，我们需要先安装tesseract。

Windows下的安装

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

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

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4.0的版本。

其中文件名带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的稳定版本。

下载完成后双击，此时会出现如图所示的页面。

此时可以勾选Additional language data(download)选项来安OCR识别支持的语言包，这样OCR便可以识别多国语言。然后一路点击Next安装即可。安装完成之后需要配置两个环境变量：path里面添加一个值：安装路径，然后设置一个新变量名为TESSDATA_PREFIX，值是语言包（一个名为tessdata的文件夹，应该在安装目录）的目录。

接下来，再安装tesserocr即可，此时直接使用pip安装：

pip install tesserocr pillow

Windows10cmd执行完命令之后会出现如图所示的错误。

具体怎么解决这个问题，我也尝试了很多办法，在这里我直接给出正确的解决方案。参考：https://anaconda.org/simonflueckiger/tesserocr，直接使用conda安装：

conda install -c simonflueckiger/label/tesseract-4.0.0-master tesserocr

验证安装

接下来，我们可以用tesseract和tesserocr来分别进行测试。下面我们以如图所示的图片为样例进行测试。

首先在命令行用tesseract命令进行测试：

tesseract ChenZhiHao.png result -l eng && type result.txt

运行结果如下：

这里我们调用了tesseract命令，其中第一个参数为图片名称，第二个参数result为结果保存的目标文件的名称，-l指定使用的语言包，在此使用英文（eng）。然后再用type命令将结果输出。

运行结果便是图片的识别结果：ChenZhiHao。可以看到，这时已经成功将图片文字转为电子文本了。

然后还可以利用Python代码来测试，这里就需要借助tesserocr库了，测试代码如下。

import tesserocr
from PIL import Image
image = Image.open('ChenZhiHao.png')
print(tesserocr.image_to_text(image))

运行结果：

另外我们还可以直接调用file_to_text()方法，这可以达到同样的效果：

import tesserocr
print(tesserocr.file_to_text('ChenZhiHao.png'))

运行结果：

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

如果大家windows10anaconda还是装不上的可以加群，群号：822163725，备注：小陈学Python，不备注可是会被拒绝的哦~！

最后欢迎大家扫码关注