使用 python 語言的 tesserocr 套件做 captcha 的文字驗證測試,此篇只簡要說明套件的安裝和使用。
簡介
在網站的登入或註冊過程,會在不同的網站遇到需要輸入驗證碼的場景,在自動化操作的過程可以透過光學文字識別(Optical Character Recognition,OCR)來將影像中的文字分析後輸出成文字。
Tesseract 是一款開源的 OCR 套件,在 python 中要使用 Tesseract-OCR 使用到 tesserocr。
安裝 Tesseract-OCR
首先在系統中安裝 Tesseract-OCR:
- 到 Tesseract Wiki 依自己使用的作業系統安裝
- Windows 安裝後要將 Tesseract-OCR 的路徑加到環境變數的 PATH 中。
將 C:\Program Files (x86)\Tesseract-OCR
加到 PATH 中
安裝 tesserocr
- Windows 系統必須下載 whl 檔安裝
step 1. 到simonflueckiger/tesserocr-windows_build, github,下載 tesserocr-2.4.0-cp37-cp37m-win_amd64.whl
。
step 2. 安裝 tesserocr
python -m pip install tesserocr-2.4.0-cp37-cp37m-win_amd64.whl
step 3. 設定環境設數
安裝完成要在環境變數指定 tessdata 路徑 TESSDATA_PREFIX=C:\Program Files (x86)\Tesseract-OCR\tessdata
如果沒有TESSDATA_PREFIX
的路徑設定,執行時會出現找不到 tessdata path
RuntimeError: Failed to init API, possibly an invalid tessdata path?
解法一:將 C:\Program Files (x86)\Tesseract-OCR\tessdata
資料夾複製到 C:\C:\Program Files\Python37\tessdata
的資料夾
解法二:設定環境變數 TESSDATA_PREFIX
並指定正確的 tessdata 的路徑,設定好環境變數(可能需要重啟使用的編輯器 cmd 或 vs 才能正常取用新增的環境變數)
測試辨識
測試圖片 000000.png
測試從圖片中辨識
from PIL import Image
import tesserocr
image = Image.open("00000.png")
with tesserocr.PyTessBaseAPI() as api:
api.SetVariable("tessedit_char_whitelist", "0123456789")
ans = tesserocr.image_to_text(image)
print(ans)