OCR 从入门到不精通

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
   

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
   

   写个简单的测试 demo
   

   看下识别结果
   

   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
   

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