OCR 从入门到不精通

本贴最后更新于 2910 天前,其中的信息可能已经水流花落

最近在爬某网站,老是蹦出来验证码,就想着找个 OCR 破了这个验证码,然后就开始了 OCR 探索之旅。

首先简单说一下什么是 OCR

OCR 是(Optical Character Recognition,光学字符识别)的简称,主要用途:

  1. 办公用途,用来识别图片里面的文字,可以高效率的录入图片类型文件。
  2. 识别网站验证码
  3. 详见维基百科或者百度百科

OCR 识别的验证码原理

  1. 采集一批验证码,根据图片特点进行初步处理(二值化/灰度化/滤波/降噪等处理)
  2. 然后分割图片,旋转图片,模板选取,训练算法,让它更准确。
  3. 有兴趣的可以看一个 Python 实现的 OCR 识别验证码详细 demo,实际操作过程挺有意思的,大家有兴趣了可以试试

OCR 识别验证码的具体操作

  1. 首先我测试了一个百度开源的 Node.js 实现的 OCR 包
    gitHub 地址 https://github.com/netpi/baidu-ocr-api
    安装也很简单直接按照官方的文档安装即可
    发现百度的这个 OCR 包识别效果不太理想
    node_ocr.png

  2. 然后经过一番 Google 和小伙伴们的推荐 选择一个 Google 开源的 tesseract 这个是 C++ 写的,直接融合到爬虫里不太方便,有外国朋友基于 tesseract 封装了一个 Python 的包 ,直接开箱即用,融入爬虫程序中。

  3. 百闻不如一 run
    ps(这里使用的操作系统是 Ubuntu16.04;Python 版本是 2.7)
    直接 pip install pytesseract 然后 Python 图片处理要用到 PIL(Python Imaging Library) pip install PIL
    原图片
    ocr.gif

    写个简单的测试 demo
    code.png

    看下识别结果
    error.png

    报错了, 根据报错信息来看,是确实了什么文件,或者依赖 lib
    我跟踪了 pytesseract 的代码,发现是少了 C++ 提供的 OCR 服务,因为 pytesseract 是调用的 tesseract(C++ 写的)
    然后安装 tesseract sudo apt install tesseract
    再 run 一下代码
    pyocr_res.png

整体结果还可以(倒数第四位识别错了),再训练一下准确率就更高了。
预知后事如何,且听下回分解

  • OCR
    10 引用 • 12 回帖
  • Python

    Python 是一种面向对象、直译式电脑编程语言,具有近二十年的发展历史,成熟且稳定。它包含了一组完善而且容易理解的标准库,能够轻松完成很多常见的任务。它的语法简捷和清晰,尽量使用无异义的英语单词,与其它大多数程序设计语言使用大括号不一样,它使用缩进来定义语句块。

    543 引用 • 672 回帖

相关帖子

欢迎来到这里!

我们正在构建一个小众社区,大家在这里相互信任,以平等 • 自由 • 奔放的价值观进行分享交流。最终,希望大家能够找到与自己志同道合的伙伴,共同成长。

注册 关于
请输入回帖内容 ...