閱讀提示

本文將提到Tesseract-OCR的簡介、配置使用并附帶超實用案例，包括pdf文字識別、圖形驗證碼提取等。

目錄

• • 閱讀提示
  • 一、工具介紹
  • 二、配置環(huán)境變量
  • • 2.1 進入環(huán)境變量配置界面
    • 2.2 添加系統(tǒng)變量
    • 2.3 添加 tessdata 系統(tǒng)變量
  • 三、使用 Tesseract-OCR
  • • 3.1 進入cmd 輸入下面的命令查看版本，正常運行則安裝成功：
    • 3.2 使用下面命令識別圖片
  • 四、處理給規(guī)范的文字
  • • 4.1 格式規(guī)范文字的理想示例
    • 4.2 通過Python代碼實現(xiàn)
    • 4.3 對圖片進行閾值過濾和降噪處理（了解即可）
    • 4.4 從網(wǎng)站圖片中抓取文字
    • 4.5 執(zhí)行 JavaScript 語句

???在嘗試破解12306驗證碼的時候，提前了解了一下應(yīng)對各種驗證碼的解決方案，這里主要是學(xué)習(xí)到了面對文字圖片驗證碼，例如亞馬遜、豆瓣等平臺的登錄時會遇到的情況，效果還不錯。

一、工具介紹

? ???Tesseract-OCR 是一款由HP實驗室開發(fā)由Google維護的開源OCR（Optical Character Recognition , 光學(xué)字符識別）引擎。與Microsoft Office Document Imaging（MODI）相比，我們可以不斷的訓(xùn)練的庫，使圖像轉(zhuǎn)換文本的能力不斷增強；如果團隊深度需要，還可以以它為模板，開發(fā)出符合自身需求的OCR引擎。
GitHub 地址：https://github.com/tesseract-…
安裝包官方下載地址：https://digi.bib.uni-mannheim…
安裝包百度云盤下載地址：https://pan.baidu.com/s/1AOsJ…

二、配置環(huán)境變量

2.1 進入環(huán)境變量配置界面

右鍵點擊此電腦–屬性–高級系統(tǒng)設(shè)置–環(huán)境變量–系統(tǒng)變量–Path

2.2 添加系統(tǒng)變量

???找到系統(tǒng)變量的 Path ，將 Tesseract-OCR 的安裝目錄添加進去：

2.3 添加 tessdata 系統(tǒng)變量

???如下圖新建系統(tǒng)變量 ： TESSDATA_PREFIX
???變量值為 tessdata 文件夾的路徑（在Tesseract-OCR的安裝目錄下）：

三、使用 Tesseract-OCR

3.1 進入cmd 輸入下面的命令查看版本，正常運行則安裝成功：

tesseract --version

3.2 使用下面命令識別圖片

tesseract 圖片路徑 輸出文件

查看輸出的 result.txt文件：

結(jié)果正確！

四、處理給規(guī)范的文字

???處理的大多數(shù)文字最好都是比較干凈、格式規(guī)范的。格式規(guī)范的文字通常可以滿足一些需求，通常格式規(guī)范的文字具有以下特點:

• 使用一個標(biāo)準(zhǔn)字體(不包含手寫體、草書,或者十分“花哨的”字體)
• 即使被復(fù)印或拍照，字體還是很清晰，沒有多余的痕跡或污點
• 排列整齊，沒有歪歪斜斜的字
• 沒有超出圖片范圍，也沒有殘缺不全，或緊緊貼在圖片的邊緣

???文字的一些格式問題在圖片預(yù)處理時可以進行解決。例如,可以把圖片轉(zhuǎn)換成灰度圖，調(diào)整亮度和對比度，還可以根據(jù)需要進行裁剪和旋轉(zhuǎn)（詳情需要了解圖像與信號處理）等。

4.1 格式規(guī)范文字的理想示例

???識別結(jié)果很準(zhǔn)確,不過符號^和*分別被表示成了雙引號和單引號。大體上可以讓你很舒服地閱讀。

4.2 通過Python代碼實現(xiàn)

import pytesseract from PIL import Imageimage = Image.open('test.jpg') text = pytesseract.image_to_string(image) print text

運行結(jié)果：

This is some text, written in Arial, that will be read by Tesseract. Here are some symbols: !@#$%"&*()

4.3 對圖片進行閾值過濾和降噪處理（了解即可）

???隨著背景色從左到右不斷加深,文字變得越來越難以識別,Tesseract 識別出的 每一行的最后幾個字符都是錯的。

???遇到這類問題,可以先用 Python 腳本對圖片進行清理。利用 PIL 庫,我們可以創(chuàng)建一個閾值過濾器來去掉漸變的背景色，只把文字留下來，從而讓圖片更加清晰，便于 Tesseract 讀取:

from PIL import Image import subprocessdef cleanFile(filePath, newFilePath):image = Image.open(filePath)# 對圖片進行閾值過濾（低于143的置為黑色，否則為白色）image = image.point(lambda x: 0 if x < 143 else 255)# 重新保存圖片image.save(newFilePath)# 調(diào)用系統(tǒng)的tesseract命令對圖片進行OCR識別 subprocess.call(["tesseract", newFilePath, "output"]) #第三個參數(shù)是保存后的文件名# 打開文件讀取結(jié)果with open("output.txt", 'r') as f:print(f.read())if __name__ == "__main__":cleanFile("text2.png", "text2clean.png")

通過一個閾值對前面的“模糊”圖片進行過濾的結(jié)果

4.4 從網(wǎng)站圖片中抓取文字

???用 Tesseract 讀取硬盤里圖片上的文字,可能不怎么令人興奮,但當(dāng)我們把它和網(wǎng)絡(luò)爬蟲組合使用時,就能成為一個強大的工具。

???網(wǎng)站上的圖片可能并不是故意把文字做得很花哨，但它們上面的文字對網(wǎng)絡(luò)爬蟲來說就是隱藏起來 了，舉個例子：

• 雖然亞馬遜的 robots.txt 文件允許抓取網(wǎng)站的產(chǎn)品頁面,但是圖書的預(yù)覽頁通常不讓網(wǎng)絡(luò)機 器人采集。
• 圖書的預(yù)覽頁是通過用戶觸發(fā) Ajax 腳本進行加載的,預(yù)覽圖片隱藏在 div 節(jié)點 下面;其實,普通的訪問者會覺得它們看起來更像是一個 Flash 動畫,而不是一個圖片文 件。當(dāng)然,即使我們能獲得圖片,要把它們讀成文字也沒那么簡單。
• 下面的程序就解決了這個問題:首先導(dǎo)航到托爾斯泰的《戰(zhàn)爭與和平》的大字號印刷版 1, 打開閱讀器,收集圖片的 URL 鏈接,然后下載圖片,識別圖片,最后打印每個圖片的文 字。因為這個程序很復(fù)雜,利用了前面幾章的多個程序片段,所以我增加了一些注釋以讓 每段代碼的目的更加清晰:

#!/usr/bin/python3 # -*- coding:utf-8 -*- """ @author: GaoYang @file: 網(wǎng)站圖片和獲取文字.py @time: 2019/12/4 21:14 @desc: """ import time from urllib.request import urlretrieve import subprocess from selenium import webdriver# 創(chuàng)建新的selenium driver driver = webdriver.Chrome()# 調(diào)用瀏覽器 driver.get('http://www.amazon.com/War-Peace-Leo-Nikolayevich-Tolstoy/dp/1427030200')# 點擊圖片 driver.find_element_by_xpath("//div[@id='img-canvas']/img").click() time.sleep(5) # imageList = set() # 等箭頭可以點擊時，開始翻頁 while "pointer" in driver.find_element_by_id("sitbReaderRightPageTurner").get_attribute('style'):driver.find_element_by_id("sitbReaderRightPageTurner").click()time.sleep(2)# 獲取已經(jīng)加載的新頁面（一次可加載多個，但是重復(fù)的頁面不能進到集合里）pages = driver.find_elements_by_xpath("//div[@class='pageImage']/div/img")for page in pages:image = page.get_attribute("src")imageList.add(image)# print(imageList) driver.quit()# 用Tesseract處理我們收集的圖片URL鏈接 for image in sorted(imageList):# 保存圖片urlretrieve(image, "page.jpg")p = subprocess.Popen(["tesseract", "page.jpg", "page"], stdout=subprocess.PIPE, stderr=subprocess.PIPE)f = open("page.txt", 'r')p.wait()print(f.read())

???和前面使用 Tesseract 讀取的效果一樣，這個程序也會完美地打印書中很多長長的段落，第六頁的預(yù)覽如下所示:

Prince Vasily wanted this post for his son, but other people were working through the Empress Maria Fyodorovna to get it for the baron. Anna Pavlovna half-closed her eyes to indicate that neither she nor anyone else could pass judgement on what the Empress might feel like doing or want to do. 'Baron Funke has been recommended to the Dowager Empress by her sister,) was all she said, in a dry, Tugubrious tone. As she pronounced the name of the Empress, Anna Paviovna's face took on an expression of profound and sincere devotion mixed with respect and tinged with sadness, which invariably came upon her when she had occasion to mention her exalted patroness. She said that her Majesty had been gracious enough to show Baron Funke great respect, at which her face once again dissolved into sadness.

但是當(dāng)文字出現(xiàn)在彩色封面上時，結(jié)果就不那么完美了:

WEI' nrrd PeaceLen Nlkelayevldu IolfluyReadmg shmdd be axwlnvame asnossxble Wenfleran mm m our cram: Llhvary- Leo Tmsloy was a Russian rwovelwstI and moval phflmopher med lurA ms Ideas 01 nonviolenx reswslance m 5 We range 0, "and"

???如果想把文字加工成普通人可以看懂的效果，還需要花很多時間去處理。

???比如，通過給 Tesseract 提供大量已知的文字與圖片映射集，經(jīng)過訓(xùn)練 Tesseract 就可以“學(xué)會”識別同一種字體，而且可以達到極高的精確率和準(zhǔn)確率，甚至可以忽略圖片中文字的背景色和相對位置等問題。

4.5 執(zhí)行 JavaScript 語句

• 隱藏百度圖片

#!/usr/bin/python3 # -*- coding:utf-8 -*- """ @author: GaoYang @file: 練習(xí)2.py @time: 2019/12/5 11:35 @desc: """from selenium import webdriver import timedriver = webdriver.Chrome() driver.get("https://www.baidu.com/")# 給搜索輸入框標(biāo)紅的javascript腳本 js = "var q=document.getElementById(\"kw\");q.style.border=\"2px solid red\";"# 調(diào)用給搜索輸入框標(biāo)紅js腳本 driver.execute_script(js)# 查看頁面快照 driver.save_screenshot("redbaidu.png")# js隱藏元素，將獲取的圖片元素隱藏 img = driver.find_element_by_xpath("//*[@id='lg']/img") driver.execute_script('$(arguments[0]).fadeOut()', img)# 向下滾動到頁面底部 driver.execute_script("$('.scroll_top').click(function(){$('html,body').animate({scrollTop: '0px'}, 800);});")# 查看頁面快照 driver.save_screenshot("nullbaidu.png") time.sleep(3)driver.quit()

• 模擬滾動條滾動到底部

#!/usr/bin/python3 # -*- coding:utf-8 -*- """ @author: GaoYang @file: 練習(xí)2.py @time: 2019/12/5 10:35 @desc: """ from selenium import webdriver import timedriver = webdriver.Chrome() driver.get("https://movie.douban.com/typerank?type_name=劇情&type=11&interval_id=100:90&action=")# 向下滾動10000像素 js = "document.body.scrollTop=10000" #js="var q=document.documentElement.scrollTop=10000" time.sleep(3)#查看頁面快照 driver.save_screenshot("douban.png")# 執(zhí)行JS語句 driver.execute_script(js) time.sleep(3)#查看頁面快照 driver.save_screenshot("newdouban.png")driver.quit()

★★以上是我的學(xué)習(xí)筆記，如有不足或錯誤之處還請各位讀者指正，謝謝！

總結(jié)

以上是生活随笔為你收集整理的详细解读文字识别工具———Tesseract-OCR的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。