小編給大家分享一下如何安裝Python3爬蟲(chóng)利器tesserocr，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！
太平ssl適用于網(wǎng)站、小程序/APP、API接口等需要進(jìn)行數(shù)據(jù)傳輸應(yīng)用場(chǎng)景，ssl證書(shū)未來(lái)市場(chǎng)廣闊！成為成都創(chuàng)新互聯(lián)公司的ssl證書(shū)銷(xiāo)售渠道，可以享受市場(chǎng)價(jià)格4-6折優(yōu)惠！如果有意向歡迎電話聯(lián)系或者加微信：13518219792（備注：SSL證書(shū)合作）期待與您的合作！
在爬蟲(chóng)過(guò)程中，難免會(huì)遇到各種各樣的驗(yàn)證碼，而大多數(shù)驗(yàn)證碼還是圖形驗(yàn)證碼，這時(shí)候我們可以直接用OCR來(lái)識(shí)別。
1. OCR
OCR，即Optical Character Recognition，光學(xué)字符識(shí)別，是指通過(guò)掃描字符，然后通過(guò)其形狀將其翻譯成電子文本的過(guò)程。對(duì)于圖形驗(yàn)證碼來(lái)說(shuō)，它們都是一些不規(guī)則的字符，這些字符確實(shí)是由字符稍加扭曲變換得到的內(nèi)容。
例如，對(duì)于如圖1-22和圖1-23所示的驗(yàn)證碼，我們可以使用OCR技術(shù)來(lái)將其轉(zhuǎn)化為電子文本，然后爬蟲(chóng)將識(shí)別結(jié)果提交給服務(wù)器，便可以達(dá)到自動(dòng)識(shí)別驗(yàn)證碼的過(guò)程。
圖1-22 驗(yàn)證碼
圖1-23 驗(yàn)證碼
tesserocr是Python的一個(gè)OCR識(shí)別庫(kù)，但其實(shí)是對(duì)tesseract做的一層Python API封裝，所以它的核心是tesseract。因此，在安裝tesserocr之前，我們需要先安裝tesseract。
2. 相關(guān)鏈接
tesserocr GitHub：https://github.com/sirfz/tesserocr
tesserocr PyPI：https://pypi.python.org/pypi/tesserocr
tesseract下載地址：http://digi.bib.uni-mannheim.de/tesseract
tesseract GitHub：https://github.com/tesseract-ocr/tesseract
tesseract語(yǔ)言包：https://github.com/tesseract-ocr/tessdata
tesseract文檔：https://github.com/tesseract-ocr/tesseract/wiki/Documentation
3. Windows下的安裝
在Windows下，首先需要下載tesseract，它為tesserocr提供了支持。
進(jìn)入下載頁(yè)面，可以看到有各種.exe文件的下載列表，這里可以選擇下載3.0版本。圖1-24所示為3.05版本。
圖1-24 下載頁(yè)面
其中文件名中帶有dev的為開(kāi)發(fā)版本，不帶dev的為穩(wěn)定版本，可以選擇下載不帶dev的版本，例如可以選擇下載tesseract-ocr-setup-3.05.01.exe。
下載完成后雙擊，此時(shí)會(huì)出現(xiàn)如圖1-25所示的頁(yè)面。
圖1-25 安裝頁(yè)面
此時(shí)可以勾選Additional language data(download)選項(xiàng)來(lái)安裝OCR識(shí)別支持的語(yǔ)言包，這樣OCR便可以識(shí)別多國(guó)語(yǔ)言。然后一路點(diǎn)擊Next按鈕即可。
接下來(lái)，再安裝tesserocr即可，此時(shí)直接使用pip安裝：
pip3 install tesserocr pillow
4. Linux下的安裝
對(duì)于Linux來(lái)說(shuō)，不同系統(tǒng)已經(jīng)有了不同的發(fā)行包了，它可能叫作tesseract-ocr或者tesseract，直接用對(duì)應(yīng)的命令安裝即可。
Ubuntu、Debian和Deepin
在Ubuntu、Debian和Deepin系統(tǒng)下，安裝命令如下：
sudo apt-get install -y tesseract-ocr libtesseract-dev libleptonica-dev
CentOS、Red Hat
在CentOS和Red Hat系統(tǒng)下，安裝命令如下：
yum install -y tesseract
在不同發(fā)行版本運(yùn)行如上命令，即可完成tesseract的安裝。
安裝完成后，便可以調(diào)用tesseract命令了。
接著，我們查看一下其支持的語(yǔ)言：
tesseract --list-langs
運(yùn)行結(jié)果示例：
List of available languages (3): eng osd equ
結(jié)果顯示它只支持幾種語(yǔ)言，如果想要安裝多國(guó)語(yǔ)言，還需要安裝語(yǔ)言包，官方叫作tessdata（其下載鏈接為：https://github.com/tesseract-ocr/tessdata）。
利用Git命令將其下載下來(lái)并遷移到相關(guān)目錄即可，不同版本的遷移命令如下所示。
在Ubuntu、Debian和Deepin系統(tǒng)下的遷移命令如下：
git clone https://github.com/tesseract-ocr/tessdata.git sudo mv tessdata/* /usr/share/tesseract-ocr/tessdata
在CentOS和Red Hat系統(tǒng)下的遷移命令如下：
git clone https://github.com/tesseract-ocr/tessdata.git sudo mv tessdata/* /usr/share/tesseract/tessdata
這樣就可以將下載下來(lái)的語(yǔ)言包全部安裝了。
這時(shí)我們重新運(yùn)行列出所有語(yǔ)言的命令：
tesseract --list-langs
結(jié)果如下：
List of available languages (107): afr amh ara asm aze aze_cyrl bel ben bod bos bul cat ceb ces chi_sim chi_tra ...
可以發(fā)現(xiàn)，這里列出的語(yǔ)言就多了很多，比如chi_sim就代表簡(jiǎn)體中文，這就證明語(yǔ)言包安裝成功了。
接下來(lái)再安裝tesserocr即可，這里直接使用pip安裝：
pip3 install tesserocr pillow
5. Mac下的安裝
在Mac下，我們首先使用Homebrew安裝ImageMagick和tesseract庫(kù)：
brew install imagemagick brew install tesseract --all-languages
接下來(lái)再安裝tesserocr即可：
pip3 install tesserocr pillow
這樣我們便完成了tesserocr的安裝。
6. 驗(yàn)證安裝
接下來(lái)，我們可以使用tesseract和tesserocr來(lái)分別進(jìn)行測(cè)試。
下面我們以如圖1-26所示的圖片為樣例進(jìn)行測(cè)試。
圖1-26 測(cè)試樣例
該圖片的鏈接為https://raw.githubusercontent.com/Python3WebSpider/TestTess/master/image.png，可以直接保存或下載。
首先用命令行進(jìn)行測(cè)試，將圖片下載下來(lái)并保存為image.png，然后用tesseract命令測(cè)試：
tesseract image.png result -l eng && cat result.txt
運(yùn)行結(jié)果如下：
Tesseract Open Source OCR Engine v3.05.01 with Leptonica Python3WebSpider
這里我們調(diào)用了tesseract命令，其中第一個(gè)參數(shù)為圖片名稱(chēng)，第二個(gè)參數(shù)result為結(jié)果保存的目標(biāo)文件名稱(chēng)，-l指定使用的語(yǔ)言包，在此使用英文（eng）。然后，再用cat命令將結(jié)果輸出。
運(yùn)行結(jié)果便是圖片的識(shí)別結(jié)果：Python3WebSpider?？梢钥吹剑@時(shí)已經(jīng)成功將圖片文字轉(zhuǎn)為電子文本了。
然后還可以利用Python代碼來(lái)測(cè)試，這里就需要借助于tesserocr庫(kù)了，測(cè)試代碼如下：
重慶分公司
重慶分公司
import tesserocr
from PIL import Image
image = Image.open('image.png')
print(tesserocr.image_to_text(image))我們首先利用Image讀取了圖片文件，然后調(diào)用了tesserocr的image_to_text()方法，再將其識(shí)別結(jié)果輸出。
運(yùn)行結(jié)果如下：
Python3WebSpider
另外，我們還可以直接調(diào)用file_to_text()方法，這可以達(dá)到同樣的效果：
import tesserocr
print(tesserocr.file_to_text('image.png'))運(yùn)行結(jié)果：
Python3WebSpider
如果成功輸出結(jié)果，則證明tesseract和tesserocr都已經(jīng)安裝成功。
以上是如何安裝Python3爬蟲(chóng)利器tesserocr的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！
