Python tesserocr安装

在爬虫过程中，难免会遇到各种各样的验证码，而大多数验证码还是图形验证码，这时候我们可以直接用 OCR 来识别。
tesserocr 是 Python 的一个 OCR 识别库 ，但其实是对 tesseract 做的一 层 Python API 封装，所以它的核心是 tesseract。 因此，在安装 tesserocr 之前，我们需要先安装 tesseract。
例如：对于下图的验证码，我们可以通过 OCR 技术将其转换成电子文本，然后爬虫将识别的结果提交给服务器，便可以达到自动识别验证码的过程。

在Windows下，首先需要下载tesseract，它为tesserocr提供了支持。进入下载页面，可以看到有各种.exe文件的下载列表，其中文件名中带有dev的为开发版本，不带dev的为稳定版本，可以选择下载不带dev的版本。
下载完成后双击安装。

将tesseract安装路径添加到path环境变量中，将tesseract的语言包添加到环境变量中，在环境变量中新建一个系统变量，变量名称为TESSDATA_PREFIX，tessdata是放置语言包的文件夹，一般在你安装tesseract的目录下，即tesseract的安装目录就是tessdata的父目录，把TESSDATA_PREFIX的值设置为它即可。如下图所示：

接下来，再安装tesserocr即可，此时直接使用pip安装：

这是最简单的安装方式，通过以上命令就能实现安装，推荐初学者使用这种方法安装。

conda分为anaconda和miniconda。anaconda是包含一些常用包的版本，miniconda则是精简版，需要啥装啥，所以推荐使用miniconda。
miniconda官网： https://conda.io/miniconda.html 选择适合自己的版本下载安装即可。

使用conda安装tesserocr具体命令如下：

对于Linux来说，不同系统已经有了不同的发行包了，它可能叫作tesseract-ocr或者tesseract，直接用对应的命令安装即可。

在Ubuntu、Debian和Deepin系统下，安装命令如下：

在CentOS和Red Hat系统下，安装命令如下：

在不同发行版本运行如上命令，即可完成tesseract的安装。
安装完成后，便可以调用tesseract命令了。
接着，我们查看一下其支持的语言：

运行结果示例：

结果显示它只支持几种语言，如果想要安装多国语言，还需要安装语言包，官方叫作tessdata（其下载链接为： https://github.com/tesseract-ocr/tessdata）。

利用Git命令将其下载下来并迁移到相关目录即可，不同版本的迁移命令如下所示。
在Ubuntu、Debian和Deepin系统下的迁移命令如下：

在CentOS和Red Hat系统下的迁移命令如下：

这样就可以将下载下来的语言包全部安装了。
这时我们重新运行列出所有语言的命令：

结果如下：

可以发现，这里列出的语言就多了很多，比如chi_sim就代表简体中文，这就证明语言包安装成功了。
接下来再安装tesserocr即可，这里直接使用pip安装：

在Mac下，我们首先使用Homebrew安装ImageMagick和tesseract库：

接下来再安装tesserocr即可：

这样我们便完成了tesserocr的安装。

找一张图片命名为image.png，然后用tesseract命令测试：

运行结果如下：

还可以利用Python代码来测试，这里就需要借助于tesserocr库了，测试代码如下：

利用Image读取了图片文件，然后调用了tesserocr的image_to_text()方法，再将其识别结果输出。
运行结果如下：