×

python使用tesseract-ocr识别认证码

96
DataCollector
2016.05.17 11:33* 字数 872


</br>

我自己的理解:
</br>  有可能绕过认证码尽量选择绕过去,请多尝试,绕过去爬取效率高不少;
  先不考虑那些一天一套认证码的网站,百度“Python 认证码识别”,搜索得到的结果一般都是tersserocr、pytesser这几个;简单的说就是在你电脑上安装tesseract-ocr;然后使用Python中的subprocess.Popen执行对应的语句,捕捉终端、文件中显示的结果;所以不局限于语言;
  此文包括安装步骤以及一些常见的错误;


</br>

简要步骤:

1、安装tesseract-ocr:
2、安装pytesser;
3、训练tesseract;
4、使用


</br>

详细过程


</br>

1、安装tesseract-ocr:


window
直接网上搜索就有了,exe很方便,也可以使用免安装的;


Linux
我的虚拟机是archlinux,pacman -S tesseract-ocr;
如果是ubuntu,请安装下面的一堆东西(这个我没有测试认证。。。来自网友):

sudo apt-get install autoconf automake libtool
sudo apt-get install libpng12-dev
sudo apt-get install libjpeg62-dev
sudo apt-get install libtiff4-dev
sudo apt-get install zlib1g-dev
sudo apt-get install libleptonica # install leptonica
sudo apt-get install gcc
sudo apt-get install g++
sudo apt-get install automake
tar zxvf tesseract-3.00.tar.gz
cd tesseract-3.00 && ./configure && make && sudo make install

总的来说,缺什么补什么

</br>

2、安装pytesser;



  pytersser的做法是,你输入图片之后,使用tersseract识别得到一个文件,这个文件名被固定了,再去读取文件得到识别结果;所以对于多线程需自己动手修改下;Python要使用pytesser得安依赖包PIL;
  优先使用Python的pip安装,若出现问题则挽起袖子手动安装(这折腾也是无奈,只是自己手贱不知道动了py哪里,安装的时候出现ssl问题。。。);


window:
如果你的机器是32位,恭喜,网上一堆32位系统的安装包;
64位系统的请到这里下载,都是编译好的:http://www.lfd.uci.edu/~gohlke/pythonlibs/


Linux:
默认安装路劲:/usr/local/lib 安装libjpeg:

$ tar zxvf jpegsrc.v7.tar.gz
$ cd jpeg-7
$ ./configure --enable-shared --enable-static
$ make
$ sudo make install

安装zlib:

$ tar zxvf zlib-1.2.8.tar.gz
$ cd zlib-1.2.8
$ ./configure
$ make
$ sudo make install

安装freetype

$ tar zxf freetype-2.6.1.tar.gz
$ cd freetype-2.6.1
$ ./configure
$ make
$ sudo make install

安装PIL unzip Imaging-1.1.7.zip cd Imaging-1.1.7 修改setup.py文件,修改配置文件路径 JPEG_ROOT = "/usr/local/include" ZLIB_ROOT = "/usr/local/include" FREETYPE_ROOT = "/usr/local/include"

bash-3.2$ python setup.py build_ext -i
c)测试编译: python selftest.py d)安装: python setup.py install

安装pytersser 方法很多:pip,github下载;

常见的错误提示:

AttributeError: 'NoneType' object has no attribute 'bands'
修改nano /usr/lib/python2.7/site-packages/PIL/Image.py

1496 行添加:self.load()
def split(self):
"Split image into bands"
self.load()
if self.im.bands == 1:
    ims = [self.copy()]
else:
    ims = []
    self.load()
    for i in range(self.im.bands):
        ims.append(self._new(self.im.getband(i)))
return tuple(ims)

OSError: [Errno 2] No such file or directory

原因可能很多:没有安装 tesseract-ocr;Python引用问题;图片不存在等;

使用Image_to_string时出现的问题:

Traceback (most recent call last):
File "C:\Users\TF-2016\Desktop\spider\ruijie\ruijie.py", line 33, in <module>
  print image_file_to_string('11.png', graceful_errors=True)
File "C:\Python27\lib\site-packages\pytesser\pytesser.py", line 48, in image_file_to_string
  call_tesseract(filename, scratch_text_name_root)
File "C:\Python27\lib\site-packages\pytesser\pytesser.py", line 23, in call_tesseract
  proc = subprocess.Popen(args)
File "C:\Python27\lib\subprocess.py", line 710, in __init__
  errread, errwrite)
File "C:\Python27\lib\subprocess.py", line 958, in _execute_child
  startupinfo)
WindowsError: [Error 2]

将需要运行的文件,直接放在pytesser的包下 或者

> import os
> os.chdir('C:\Python27\Lib\site-packages\pytesser')


</br>

3、训练tesseract:

《Python网络数据采集》中也有介绍;这里是使用jTessBoxEditor完成的,一个现成的工具;
  如果采用默认的eng来识别认证码,基本不靠谱,各种杂数据;自己训练下数据好很多;

安装Tesseract-OCR之后就训练自己的识别库:

3.1、创建diff:
jTessBoxEditor--tool---merge tiff--shift select more image
diff 文件命名格式:[lang].[fontname].exp[num].tif
exp:num.font.exp0.tif
3.2、创建好tiff之后创建.box
tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox
3.3、文字矫正:
jTessBoxEditor--open--num.font.exp0.tif
简单描述一下: 打开tif之后默认已经进行了一次识别,需要做的是调整识别结果;可以调节识别框位置大小、识别结果;调整完毕后记得回车或者点击一下设置按钮;
3.4、定义字体特征文件:
创建font_properties文件,文件内容为: 
exp:font 0 0 0 0 0;表示字体不是粗体、斜体
3.5、生成traineddata文件
样本图片路劲下执行这些:也可以创建bat一次性执行完
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train
unicharset_extractor.exe num.font.exp0.box
mftraining -F font_properties -U unicharset -O num.unicharset     num.font.exp0.tr
cntraining.exe num.font.exp0.tr
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable
combine_tessdata.exe num.

确认打印结果中的Offset 1、3、4、5、13这些项不是-1。

3.6、拷贝
最后将traineddata拷贝到:Tesseract-OCR--tessdata
3.7、测试
tesseract.exe pin.png result-eng -l eng
tesseract.exe pin.png result-num -l num


</br>

4、使用

import pytesser
from PIL import Image
im = Image.open('./pin.png')
im.show()
print pytesser.image_to_string(im)




  目前识别率还是不理想,但已经可以用来跑数据了!!...(折腾的是微博(weibo.com)的认证码;如果是weibo.cn的认证码,我表示我自己输入十几次没一次通过,囧),考虑试试卷积~~

爬虫
Web note ad 1