破解验证码---Python文字识别模块tesseract的评测

15195775117

一、需求缘起

有些网站登录时要输入验证码，selenium是无法识别验证码的，爬虫就无法进行下去，
于是我想使用文字识别工具来破解。

二、安装步骤

1、下载  tesseract-ocr安装包和中文语言包.zip

2、下载后，双击tesseract-ocr-setup-3.02.02.exe安装，记下安装目录，我的是
C:\Program Files (x86)\Tesseract-OCR\tesseract.exe

3、将C:\Program Files (x86)\Tesseract-OCR加入系统变量

4、pip install pytesseract

5、在pytesseract包的pytesseract.py文件里，
将tesseract_cmd = 'tesseract'
改为tesseract_cmd = r'C:\Program Files (x86)\Tesseract-OCR\tesseract.exe'

6、将压缩包里的<中文语言包>的chi_sim.traineddata文件拷贝入
C:\Program Files (x86)\Tesseract-OCR\tessdata

三、测试代码




from PIL import Image
import pytesseract

img='数字.jpg'
image = Image.open(img)
text=pytesseract.image_to_string(image)#默认英文识别
print('图片内容:',text)

img='中文.jpg'
image = Image.open(img)
text=pytesseract.image_to_string(image ,lang='chi_sim')#中文识别
print('图片内容:\n',text)

结果：

图片内容: 7364

图片内容:
春雨惊春聂青谷夫
夏满芒夏署乔目连
禾)(处露禾)(寒霜降
警雪雪警寒又寒

结论：

试了好几张图，功能很弱，我要登录的那个网站的数字验证码就识别不了，
文字工整，背景干净的话，数字识别好些，汉字识别依旧不准
看来还得试试其他的，如cnocr包，或用大厂的OCR接口