2019-02-25

Python 使用 Tesseract-OCR 做 Captcha 文字識別

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)

Python 將 Base64 字串還原為圖片

取得 Base64 格式

從網站取得

import base64

img_data_base64 =  request.POST.get("img_data")
img_b64decode = base64.b64decode(img_data_base64)

從檔案取得 Base64 然後將 base64 再解碼

import base64

img_file = open(r'image.jpg','rb')
img_b64encode = base64.b64encode(img_file.read())
img_file.close()
img_b64decode = base64.b64decode(img_b64encode)

Python 圖片 Base64 解碼還原 PIL.Image 或 Opencv

Base64 解碼為 OpenCV 圖片:

import base64
import numpy as np

img_data_base64=  request.POST.get("img_data")

img_data=base64.b64decode(img_data_base64) 
img_array = np.fromstring(img_data,np.uint8)  
img=cv2.imdecode(img_array,cv2.COLOR_BGR2RGB)
cv2.imshow("img",img)
cv2.waitKey()

Base64 解碼為 PIL.Image 圖片:

from io import BytesIO
from PIL import Image #pillow

img_data_base64=  request.POST.get("img_data")
img_data=base64.b64decode(img_data_base64) 
image = BytesIO(img_data)
img = Image.open(image)

OpenCV 轉換成 PIL.Image 格式：

import cv2  
from PIL import Image
import numpy as np

img = cv2.imread("image.jpg")
cv2.imshow("OpenCV",img)  
image = Image.fromarray(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))  
image.show()  
cv2.waitKey()

PIL.Image 轉換成 OpenCV 格式：

import cv2  
from PIL import Image
import numpy as np

image = Image.open("image.jpg")  
image.show()  
img = cv2.cvtColor(np.asarray(image),cv2.COLOR_RGB2BGR)  
cv2.imshow("OpenCV",img)  
cv2.waitKey()

參考資料來源： https://blog.csdn.net/dcrmg/article/details/80542665 https://blog.csdn.net/qq19707521/article/details/78403904 https://blog.csdn.net/qq19707521/article/details/78367617