用 Pytesseract 识别验证码

2018，Happy New Year！

0x00.缘由

算是旧站存档原文，原文发布时间：2016-11-13 12:34:50

好久没在这个站写东西，是我忘记了吗？不是，是一直没有时间写点什么，~~大三的上学期确实很忙（废话划掉）~~我一直在看新东西，没有时间来写些什么……那为什么突然想起来回来看看呢？因为遇到了它，这个东西追溯起来最早是大一下学期，不过那时候是真·小白，C、python都没学，纯凭兴趣搭的，不过居然好使了，大概磨磨蹭蹭能有一周的时间，可以实现自动打码登录教务在线并查询成绩。它就是：Pytesseract！

存档原文：
首先说说为啥又要搞这个了呢？！
原因之一就是~~要叙叙旧~~换Mac系统了……
再者就是昨晚看了一眼自己以前写过的源码，实在是太烂了……于是乎下定决心要重写之……
另，网上的教程大多比较老（提供的链接地址还是code.google.com,现在项目已经移到GitHub上了）

0x01.环境

a. Microsoft Windows [版本 10.0.17046.1000]（Win 10 x64 Pro Insider Preview 1709 17046.1000）
b. Python 2.7.13 (v2.7.13:a06454b1afa1, Dec 17 2016, 20:53:40) [MSC v.1500 64 bit (AMD64)] on win32
c. JetBrains Pycharm 2017.3.2 x64 Professional

存档原文：
因为pytesser需要Tesseract—OCR（pytesser实际上只是一个方便Python调用Tesseract—OCR引擎的库）
和PIL（Python Imaginary Library）的支持，所以要先安装这两个包。

0x02.安装

1.安装PIL

不要用上面那个链接，那个PIL官方提供的PIL二进制安装库包都是32位的，我们需要64位的。或者直接使用Pillow来代替，使用方法基本没有什么区别，我选择后者。
地址：http://www.lfd.uci.edu/~gohlke/pythonlibs/#pillow
下载：Pillow‑5.0.0‑cp27‑cp27m‑win_amd64.whl，然后pip安装之。

存档原文：
tesseract本身不支持png，jpg这样图片格式，pytesser需要利用PIL将这种图片转换成tif格式，这是安装PIL的目的之一。sudo pip install PIL

2.安装tesseract-ocr

Win下，需要在Tesseract at UB Mannheim下载，我选择tesseract-ocr-setup-3.05.01.exe，因为tesseract-ocr-setup-4.0.0-alpha.20180109.exe(experimental)没好使。

存档原文：
在Mac下安装方法极其简单，brew install tesseract，附：语言包在/usr/local/share/tessdata,这样子就安装好了，可以在终端输入tesseract试试

3.安装pytesseract

只有pytesser_v0.0.1.zip的版本，不过我好像是pip安装的，有点记不清了。

存档原文：
下载，解压，重命名，拷贝到/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages，
/usr/local/lib/python2.7/site-packages/pytesser，https://stackoverflow.com/questions/15567141/installing-pytesser ，sudo pip install pytesseract

0x03.测试

# -*- coding: utf-8 -*-
tessdata_dir_config = '--tessdata-dir "C:\\Program Files (x86)\\Tesseract-OCR\\tessdata"'

from PIL import Image
import pytesseract

image = Image.open('vcode.png!webp')
vcode = pytesseract.image_to_string(image, config=tessdata_dir_config)

print vcode

0x04.后记

成文匆忙，遇到bug可留言
几天前（2018 年 1 月 19日）因为Win 10预览版字体导致各种IDE乱码所以重装了LTSB 2016，到目前为止用的还是很舒服的，当然8102年了，也该切到py 3环境了，于是根本没装py 2的环境，直接装了3.7.0a4，次日换成了3.6.4。因此，在此重新说明一下配置方法，鉴于我现在也不知道这个站到底应该怎么去写，从百度搜了下robots.txt也早就生效了，想想能看到这个站的也都不是一般人，所以我就简写吧（以写给自己看的程度去写，讲真我是很少回头看自己站的内容的，这点后期可以调整一下）

0x05.引用

Python处理验证码第一篇（pytesser初探及报错处理）