Python 使用 Tesseract-OCR 做 Captcha 文字識別

markdown 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](https://github.com/tesseract-ocr/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](https://github.com/simonflueckiger/tesserocr-windows_build/releases)，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) ```