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)