一、Tesseract简介

Tesseract是一个OCR库(OCR是英文Optical Character Recognition的缩写)，它用来对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程，Tesseract是目前公认最优秀，识别相对精准的OCR库。

二、Tesseract的使用

1.下载并安装Tesseract：点击下载

2.在Windows系统下设置环境变量：

#根据下载安装文件的路径配置环境变量set TESSDATA_PREFIX F:\Tesseract-OCR\

3.安装pytesseract模块

pip install pytesseract

4.在Python脚本中引入tesseract.exe应用程序的方式：

pytesseract.pytesseract.tesseract_cmd = r'F:\Tesseract-OCR\tesseract.exe'

5.案例演示

识别以下图片文字：

import pytesseractfrom PIL import Image#1.引入Tesseract程序pytesseract.pytesseract.tesseract_cmd = r'F:\Tesseract-OCR\tesseract.exe'#2.使用Image模块下的Open()函数打开图片image = Image.open('6.jpg',mode='r')print(image)#3.识别图片文字code= pytesseract.image_to_string(image)print(code)

结果演示：

<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=611x210 at 0x1A5DFDCB4A8>
Google

注：tesseract-OCR引擎识别验证码有些无法识别，比如像豆瓣生成的验证码无法识别其内容，如果需要爬取豆瓣中的数据这时候就需要手动的输入验证码：

三、模拟登陆知乎源码

import requestsimport timeimport pytesseractfrom PIL import Imagefrom bs4 import BeautifulSoupdef captcha(data): with open('captcha.jpg','wb') as fp: fp.write(data) time.sleep(1) image = Image.open("captcha.jpg") text = pytesseract.image_to_string(image) print "机器识别后的验证码为：" + text command = raw_input("请输入Y表示同意使用，按其他键自行重新输入：") if (command == "Y" or command == "y"): return text else: return raw_input('输入验证码：')def zhihuLogin(username,password): # 构建一个保存Cookie值的session对象 sessiona = requests.Session() headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:47.0) Gecko/20100101 Firefox/47.0'} # 先获取页面信息，找到需要POST的数据（并且已记录当前页面的Cookie） html = sessiona.get('https://','ALAxxxxIME')

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。