</br>
我自己的理解：
</br> 有可能绕过认证码尽量选择绕过去，请多尝试，绕过去爬取效率高不少；
先不考虑那些一天一套认证码的网站，百度“Python 认证码识别”，搜索得到的结果一般都是tersserocr、pytesser这几个；简单的说就是在你电脑上安装tesseract-ocr；然后使用Python中的subprocess.Popen执行对应的语句，捕捉终端、文件中显示的结果；所以不局限于语言；
此文包括安装步骤以及一些常见的错误；
</br>
简要步骤：
1、安装tesseract-ocr：
2、安装pytesser；
3、训练tesseract；
4、使用
</br>
详细过程
</br>
1、安装tesseract-ocr：
window
直接网上搜索就有了，exe很方便，也可以使用免安装的；
Linux
我的虚拟机是archlinux，pacman -S tesseract-ocr；
如果是ubuntu，请安装下面的一堆东西（这个我没有测试认证。。。来自网友）：
sudo apt-get install autoconf automake libtool
sudo apt-get install libpng12-dev
sudo apt-get install libjpeg62-dev
sudo apt-get install libtiff4-dev
sudo apt-get install zlib1g-dev
sudo apt-get install libleptonica # install leptonica
sudo apt-get install gcc
sudo apt-get install g++
sudo apt-get install automake
tar zxvf tesseract-3.00.tar.gz
cd tesseract-3.00 && ./configure && make && sudo make install
总的来说，缺什么补什么
</br>
2、安装pytesser；
pytersser的做法是，你输入图片之后，使用tersseract识别得到一个文件，这个文件名被固定了，再去读取文件得到识别结果；所以对于多线程需自己动手修改下；Python要使用pytesser得安依赖包PIL；
优先使用Python的pip安装，若出现问题则挽起袖子手动安装（这折腾也是无奈，只是自己手贱不知道动了py哪里，安装的时候出现ssl问题。。。）；
window：
如果你的机器是32位，恭喜，网上一堆32位系统的安装包；
64位系统的请到这里下载，都是编译好的：http://www.lfd.uci.edu/~gohlke/pythonlibs/
Linux：
默认安装路劲：/usr/local/lib 安装libjpeg：
$ tar zxvf jpegsrc.v7.tar.gz
$ cd jpeg-7
$ ./configure --enable-shared --enable-static
$ make
$ sudo make install
安装zlib：
$ tar zxvf zlib-1.2.8.tar.gz
$ cd zlib-1.2.8
$ ./configure
$ make
$ sudo make install
安装freetype
$ tar zxf freetype-2.6.1.tar.gz
$ cd freetype-2.6.1
$ ./configure
$ make
$ sudo make install
安装PIL unzip Imaging-1.1.7.zip cd Imaging-1.1.7 修改setup.py文件，修改配置文件路径 JPEG_ROOT = "/usr/local/include" ZLIB_ROOT = "/usr/local/include" FREETYPE_ROOT = "/usr/local/include"
bash-3.2$ python setup.py build_ext -i
c)测试编译： python selftest.py d)安装： python setup.py install
安装pytersser 方法很多：pip，github下载；
常见的错误提示：
AttributeError: 'NoneType' object has no attribute 'bands'
修改nano /usr/lib/python2.7/site-packages/PIL/Image.py
1496 行添加：self.load()
def split(self):
"Split image into bands"
self.load()
if self.im.bands == 1:
ims = [self.copy()]
else:
ims = []
self.load()
for i in range(self.im.bands):
ims.append(self._new(self.im.getband(i)))
return tuple(ims)
OSError: [Errno 2] No such file or directory
原因可能很多：没有安装 tesseract-ocr；Python引用问题；图片不存在等；
使用Image_to_string时出现的问题：
Traceback (most recent call last):
File "C:\Users\TF-2016\Desktop\spider\ruijie\ruijie.py", line 33, in <module>
print image_file_to_string('11.png', graceful_errors=True)
File "C:\Python27\lib\site-packages\pytesser\pytesser.py", line 48, in image_file_to_string
call_tesseract(filename, scratch_text_name_root)
File "C:\Python27\lib\site-packages\pytesser\pytesser.py", line 23, in call_tesseract
proc = subprocess.Popen(args)
File "C:\Python27\lib\subprocess.py", line 710, in __init__
errread, errwrite)
File "C:\Python27\lib\subprocess.py", line 958, in _execute_child
startupinfo)
WindowsError: [Error 2]
将需要运行的文件，直接放在pytesser的包下 或者
> import os
> os.chdir('C:\Python27\Lib\site-packages\pytesser')
</br>
3、训练tesseract：
《Python网络数据采集》中也有介绍；这里是使用jTessBoxEditor完成的，一个现成的工具；
如果采用默认的eng来识别认证码，基本不靠谱，各种杂数据；自己训练下数据好很多；
安装Tesseract-OCR之后就训练自己的识别库：
3.1、创建diff：
jTessBoxEditor--tool---merge tiff--shift select more image
diff 文件命名格式：[lang].[fontname].exp[num].tif
exp：num.font.exp0.tif
3.2、创建好tiff之后创建.box
tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox
3.3、文字矫正：
jTessBoxEditor--open--num.font.exp0.tif
简单描述一下： 打开tif之后默认已经进行了一次识别，需要做的是调整识别结果；可以调节识别框位置大小、识别结果；调整完毕后记得回车或者点击一下设置按钮；
3.4、定义字体特征文件：
创建font_properties文件，文件内容为：
exp：font 0 0 0 0 0；表示字体不是粗体、斜体
3.5、生成traineddata文件
样本图片路劲下执行这些：也可以创建bat一次性执行完
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train
unicharset_extractor.exe num.font.exp0.box
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr
cntraining.exe num.font.exp0.tr
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable
combine_tessdata.exe num.
确认打印结果中的Offset 1、3、4、5、13这些项不是-1。
3.6、拷贝
最后将traineddata拷贝到：Tesseract-OCR--tessdata
3.7、测试
tesseract.exe pin.png result-eng -l eng
tesseract.exe pin.png result-num -l num
</br>
4、使用
import pytesser
from PIL import Image
im = Image.open('./pin.png')
im.show()
print pytesser.image_to_string(im)
目前识别率还是不理想，但已经可以用来跑数据了!!...（折腾的是微博（weibo.com）的认证码；如果是weibo.cn的认证码，我表示我自己输入十几次没一次通过，囧），考虑试试卷积~~
网友评论