阻碍我们爬虫的。有时候正是在登录或者请求一些数据时候的图形验证码。因此这里我们讲解一种能将图片翻译成文字的技术。将图片翻译成文字一般被成力光学文字R别( optical Character Recognition),简写OCR。实现OCR的库不是很多,特别是开源的
因为这块存在一定的技术壁(需要大量的数据、算法、机器学习、深度学习知识等）,并且如果做好了具有很高的商业价值。因此
开源的比技少。这里介绍一个比较优示的图像开源库: Tesseract
Tesserae
Tesseract是一个OCR库,目前由谷歌赞助。 Tesseract是目前公认最优秀、最准确的开源OCR库。 Tesseract具有很高的识别度,也具有很高的灵活性,他可以通过训练识别任何字体。
在代码中使用 tesseract识别图像:
在 Python代码中作 tesseract。需要安装一个库,叫做pytesseract,通过pip的方式即可安装
pip install pytesseract
并且,需要读取图片,要借助一个第三方库叫做PIL。通过pip list看下是否安装。如果没有安装,通过pip的方式装
pip install PIL
使用 tesseract将图片上的文字转换为文本文字的示例代码加下:
#导入 pytesseract库
import pytesseract
#导入Image
from PIL import Image
#制定tesseract.exe所在的路径
pytesseraet.pytesseract.tesseract_cmd ='RD:\Programapp\TesseractOCR\tesseract.exe'
# 打开图片
image = Image.open("a.png")
#调用image_to_string将图片转化为文字
text = pytesseract.image_to_string(Image.open(imagePath))
print(text)