pythonでpytesseractを呼び出して、あるサイトの検証コードの実現方法を識別します。
15648 ワード
一、pytesseract紹介
1、pytesseract説明
pytesseract最新バージョン0.1.6、URL:https://pypi.python.org/pypi/pytesseract
Python-tesseract is a wrapper for google's Tesseract-OCR
(http://code.google.com/p/tesseract-ocr/ )It is also useful as a
stand-alone invocation script to tesseract,as it can read all marge types
supported by the Python Imaging Library,including jpeg,png,gif,bmp,tiff,
and others、whers tesseract-ocr by default only supports tiff and bmp.
Additionally,if used as a script,Python-tesseract will print the recognized
text in stead of writing it to a file.Support for confidence estimast and
bounding box data is planed for future releass.
翻訳の大意:
a、Python-tesseractはgoogle's Tesseract-OCRに基づく独立パッケージです。
b、Python-tesseract機能は、ピクチャファイルの文字を識別し、リターンパラメータとして識別結果を返す機能である。
c、Python-tesseractは、デフォルトではtiff、bmpフォーマットの画像をサポートしています。PILをインストールしてから、jpeg、gif、pngなどの他の画像フォーマットをサポートできます。
2、pytesseractのインストール
INSTALLATION:
Prrequisites:
*Python-tesseract requires python 2.5 or later or python 3.
*You will need the Python Imaging Library(PIL).Under Debian/Ubuntu,this
the package「python-inging」or「python 3-maging」for python 3.
*Install google tesseract-ocr fromhttp://code.google.com/p/tesseract-ocr/ ..。
You must be able to invoke the tesseract command as「tesseract」.If this
isn't the case,for example because tesseract isn't in your PATH,you will
have to change the「tesseract u」cmd"variable at the top of'tesseract.py'
Under Debian/Ubuntu you can the package「tesseract-ocr」。
Installing via pip:
See the[pytesseract package]https://pypi.python.org/pypi/pytesseract)
`
$sudo pip install pytesseract
翻訳してみます
a、Python-tesseractはpython 2.5とより高いバージョンをサポートします。
b、Python-tesseractはPIL(Python Imaging Library)をインストールして、より多くのピクチャフォーマットをサポートする必要があります。
c、Python-tesseractはtesseract-ocrをインストールする必要があります。
以上より、Pytesseractの原理:
1、前のブログで述べたように、命令行tesseract.exe 1.png output-l engを実行して、1.pngの中の文字を識別して、識別結果をOutput.txtに出力します。
2、Pytesseractは上記のプロセスを二回パッケージし、自動的にtesseract.exeを呼び出し、output.txtファイルの内容を読み取り、関数の戻り値として返します。
二、pytesseract使用
USAGE:
`
>try:
>import Image
>except ImportError:
>from PIL import Image
>import pytesseract
>print(pytesseract.image_to_string(Image.open('test.png')
>print(pytesseract.image_to_string(Image.open('test-european.jpg')、lang='fla')
見られます
1、コアコードはイメージです。to_string関数はまた-l engパラメータをサポートします。-psmパラメータをサポートします。
使い方:
イメージ.イメージto_string(Image.open('test.png')、lang="eng"config="-psm 7"
2、pytesseractでイメージを呼び出したのでPILが必要ですが、tesseract.exe自体はjpeg、pngなどのイメージフォーマットをサポートしています。
実例コード、ある公共サイトの検証コードを識別します。
上記のプログラムはwindowsプラットフォームで実行していますが、黒いコンソールウィンドウがきらりと流れている画面があり、あまり友好的ではありません。
pytesseract.py(C:\Python 27\Lib\site-packages\pytesseractディレクトリ下)を少し修正して、上記のプロセスを隠しました。
沭modified by zhongtang hide consolove window
同前
IS_WIN 32='win 32'in str(sys.plotform).lower()
if IS_WIN 32:
startuplinfo=subprocess.STARTUPINFO()
startuplinfo.dwFlags|=subprocess.STARTF_USESHOWWINDOW
startuplinfo.wShow Window=subprocess.SW_HIDE
proc=subprocess.Popen(command、
stder=subprocess.PIPE、startuplinfo=startuplinfo)
''
ヽood code
proc=subprocess.Popen(command、
stder=subprocess.PIPE)
''
ハmodified end
初心者のために、pytesseract.pyも貼ってください。上級者は自分で無視します。
以上のpythonでpytesseractを呼び出して、あるウェブサイトの検証コードを識別する実現方法は、小編集が皆さんに提供したすべての内容を共有することです。参考にしてもらいたいです。皆さん、よろしくお願いします。
1、pytesseract説明
pytesseract最新バージョン0.1.6、URL:https://pypi.python.org/pypi/pytesseract
Python-tesseract is a wrapper for google's Tesseract-OCR
(http://code.google.com/p/tesseract-ocr/ )It is also useful as a
stand-alone invocation script to tesseract,as it can read all marge types
supported by the Python Imaging Library,including jpeg,png,gif,bmp,tiff,
and others、whers tesseract-ocr by default only supports tiff and bmp.
Additionally,if used as a script,Python-tesseract will print the recognized
text in stead of writing it to a file.Support for confidence estimast and
bounding box data is planed for future releass.
翻訳の大意:
a、Python-tesseractはgoogle's Tesseract-OCRに基づく独立パッケージです。
b、Python-tesseract機能は、ピクチャファイルの文字を識別し、リターンパラメータとして識別結果を返す機能である。
c、Python-tesseractは、デフォルトではtiff、bmpフォーマットの画像をサポートしています。PILをインストールしてから、jpeg、gif、pngなどの他の画像フォーマットをサポートできます。
2、pytesseractのインストール
INSTALLATION:
Prrequisites:
*Python-tesseract requires python 2.5 or later or python 3.
*You will need the Python Imaging Library(PIL).Under Debian/Ubuntu,this
the package「python-inging」or「python 3-maging」for python 3.
*Install google tesseract-ocr fromhttp://code.google.com/p/tesseract-ocr/ ..。
You must be able to invoke the tesseract command as「tesseract」.If this
isn't the case,for example because tesseract isn't in your PATH,you will
have to change the「tesseract u」cmd"variable at the top of'tesseract.py'
Under Debian/Ubuntu you can the package「tesseract-ocr」。
Installing via pip:
See the[pytesseract package]https://pypi.python.org/pypi/pytesseract)
`
$sudo pip install pytesseract
翻訳してみます
a、Python-tesseractはpython 2.5とより高いバージョンをサポートします。
b、Python-tesseractはPIL(Python Imaging Library)をインストールして、より多くのピクチャフォーマットをサポートする必要があります。
c、Python-tesseractはtesseract-ocrをインストールする必要があります。
以上より、Pytesseractの原理:
1、前のブログで述べたように、命令行tesseract.exe 1.png output-l engを実行して、1.pngの中の文字を識別して、識別結果をOutput.txtに出力します。
2、Pytesseractは上記のプロセスを二回パッケージし、自動的にtesseract.exeを呼び出し、output.txtファイルの内容を読み取り、関数の戻り値として返します。
二、pytesseract使用
USAGE:
`
>try:
>import Image
>except ImportError:
>from PIL import Image
>import pytesseract
>print(pytesseract.image_to_string(Image.open('test.png')
>print(pytesseract.image_to_string(Image.open('test-european.jpg')、lang='fla')
見られます
1、コアコードはイメージです。to_string関数はまた-l engパラメータをサポートします。-psmパラメータをサポートします。
使い方:
イメージ.イメージto_string(Image.open('test.png')、lang="eng"config="-psm 7"
2、pytesseractでイメージを呼び出したのでPILが必要ですが、tesseract.exe自体はjpeg、pngなどのイメージフォーマットをサポートしています。
実例コード、ある公共サイトの検証コードを識別します。
#-*-coding=utf-8-*-
__author__='zhongtang'
import urllib
import urllib2
import cookielib
import math
import random
import time
import os
import htmltool
from pytesseract import *
from PIL import Image
from PIL import ImageEnhance
import re
class orclnypcg:
def __init__(self):
self.baseUrl='http://jbywcg.****.com.cn'
self.ht=htmltool.htmltool()
self.curPath=self.ht.getPyFileDir()
self.authCode=''
def initUrllib2(self):
try:
cookie = cookielib.CookieJar()
cookieHandLer = urllib2.HTTPCookieProcessor(cookie)
httpHandLer=urllib2.HTTPHandler(debuglevel=0)
httpsHandLer=urllib2.HTTPSHandler(debuglevel=0)
except:
raise
else:
opener = urllib2.build_opener(cookieHandLer,httpHandLer,httpsHandLer)
opener.addheaders = [('User-Agent','Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11')]
urllib2.install_opener(opener)
def urllib2Navigate(self,url,data={}): # ,
tryTimes = 0
while True:
if (tryTimes>20):
print u" , "
break
try:
if (data=={}):
req = urllib2.Request(url)
else:
req = urllib2.Request(url,urllib.urlencode(data))
response =urllib2.urlopen(req)
bodydata = response.read()
headerdata = response.info()
if headerdata.get('Content-Encoding')=='gzip':
rdata = StringIO.StringIO(bodydata)
gz = gzip.GzipFile(fileobj=rdata)
bodydata = gz.read()
gz.close()
tryTimes = tryTimes +1
except urllib2.HTTPError, e:
print 'HTTPError[%s]
' %e.code
except urllib2.URLError, e:
print 'URLError[%s]
' %e.reason
except socket.error:
print u" , "
else:
break
return bodydata,headerdata
def randomCodeOcr(self,filename):
image = Image.open(filename)
# ImageEnhance
#enhancer = ImageEnhance.Contrast(image)
#enhancer = enhancer.enhance(4)
image = image.convert('L')
ltext = ''
ltext= image_to_string(image)
# ,
ltext=re.sub("\W", "", ltext)
print u'[%s] :[%s]!!!' %(filename,ltext)
image.save(filename)
#print ltext
return ltext
def getRandomCode(self):
#
#http://jbywcg.****.com.cn/CommonPage/Code.aspx?0.9409255818463862
i = 0
while ( i<=100):
i += 1
# Url
randomUrlNew='%s/CommonPage/Code.aspx?%s' %(self.baseUrl,random.random())
#
filename= '%s.png' %(i)
filename= os.path.join(self.curPath,filename)
jpgdata,jpgheader = self.urllib2Navigate(randomUrlNew)
if len(jpgdata)<= 0 :
print u' !
'
return False
f = open(filename, 'wb')
f.write(jpgdata)
#print u" :",fileName
f.close()
self.authCode = self.randomCodeOcr(filename)
#
orcln=orclnypcg()
orcln.initUrllib2()
orcln.getRandomCode()
三、pytesseractコードの最適化上記のプログラムはwindowsプラットフォームで実行していますが、黒いコンソールウィンドウがきらりと流れている画面があり、あまり友好的ではありません。
pytesseract.py(C:\Python 27\Lib\site-packages\pytesseractディレクトリ下)を少し修正して、上記のプロセスを隠しました。
沭modified by zhongtang hide consolove window
同前
IS_WIN 32='win 32'in str(sys.plotform).lower()
if IS_WIN 32:
startuplinfo=subprocess.STARTUPINFO()
startuplinfo.dwFlags|=subprocess.STARTF_USESHOWWINDOW
startuplinfo.wShow Window=subprocess.SW_HIDE
proc=subprocess.Popen(command、
stder=subprocess.PIPE、startuplinfo=startuplinfo)
''
ヽood code
proc=subprocess.Popen(command、
stder=subprocess.PIPE)
''
ハmodified end
初心者のために、pytesseract.pyも貼ってください。上級者は自分で無視します。
#!/usr/bin/env python
'''
Python-tesseract is an optical character recognition (OCR) tool for python.
That is, it will recognize and "read" the text embedded in images.
Python-tesseract is a wrapper for google's Tesseract-OCR
( http://code.google.com/p/tesseract-ocr/ ). It is also useful as a
stand-alone invocation script to tesseract, as it can read all image types
supported by the Python Imaging Library, including jpeg, png, gif, bmp, tiff,
and others, whereas tesseract-ocr by default only supports tiff and bmp.
Additionally, if used as a script, Python-tesseract will print the recognized
text in stead of writing it to a file. Support for confidence estimates and
bounding box data is planned for future releases.
USAGE:
```
> try:
> import Image
> except ImportError:
> from PIL import Image
> import pytesseract
> print(pytesseract.image_to_string(Image.open('test.png')))
> print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='fra'))
```
INSTALLATION:
Prerequisites:
* Python-tesseract requires python 2.5 or later or python 3.
* You will need the Python Imaging Library (PIL). Under Debian/Ubuntu, this is
the package "python-imaging" or "python3-imaging" for python3.
* Install google tesseract-ocr from http://code.google.com/p/tesseract-ocr/ .
You must be able to invoke the tesseract command as "tesseract". If this
isn't the case, for example because tesseract isn't in your PATH, you will
have to change the "tesseract_cmd" variable at the top of 'tesseract.py'.
Under Debian/Ubuntu you can use the package "tesseract-ocr".
Installing via pip:
See the [pytesseract package page](https://pypi.python.org/pypi/pytesseract)
$> sudo pip install pytesseract
Installing from source:
$> git clone [email protected]:madmaze/pytesseract.git
$> sudo python setup.py install
LICENSE:
Python-tesseract is released under the GPL v3.
CONTRIBUTERS:
- Originally written by [Samuel Hoffstaetter](https://github.com/hoffstaetter)
- [Juarez Bochi](https://github.com/jbochi)
- [Matthias Lee](https://github.com/madmaze)
- [Lars Kistner](https://github.com/Sr4l)
'''
# CHANGE THIS IF TESSERACT IS NOT IN YOUR PATH, OR IS NAMED DIFFERENTLY
tesseract_cmd = 'tesseract'
try:
import Image
except ImportError:
from PIL import Image
import subprocess
import sys
import tempfile
import os
import shlex
__all__ = ['image_to_string']
def run_tesseract(input_filename, output_filename_base, lang=None, boxes=False, config=None):
'''
runs the command:
`tesseract_cmd` `input_filename` `output_filename_base`
returns the exit status of tesseract, as well as tesseract's stderr output
'''
command = [tesseract_cmd, input_filename, output_filename_base]
if lang is not None:
command += ['-l', lang]
if boxes:
command += ['batch.nochop', 'makebox']
if config:
command += shlex.split(config)
# modified by zhongtang hide console window
# new code
IS_WIN32 = 'win32' in str(sys.platform).lower()
if IS_WIN32:
startupinfo = subprocess.STARTUPINFO()
startupinfo.dwFlags |= subprocess.STARTF_USESHOWWINDOW
startupinfo.wShowWindow = subprocess.SW_HIDE
proc = subprocess.Popen(command,
stderr=subprocess.PIPE,startupinfo=startupinfo)
'''
# old code
proc = subprocess.Popen(command,
stderr=subprocess.PIPE)
'''
# modified end
return (proc.wait(), proc.stderr.read())
def cleanup(filename):
''' tries to remove the given filename. Ignores non-existent files '''
try:
os.remove(filename)
except OSError:
pass
def get_errors(error_string):
'''
returns all lines in the error_string that start with the string "error"
'''
lines = error_string.splitlines()
error_lines = tuple(line for line in lines if line.find('Error') >= 0)
if len(error_lines) > 0:
return '
'.join(error_lines)
else:
return error_string.strip()
def tempnam():
''' returns a temporary file-name '''
tmpfile = tempfile.NamedTemporaryFile(prefix="tess_")
return tmpfile.name
class TesseractError(Exception):
def __init__(self, status, message):
self.status = status
self.message = message
self.args = (status, message)
def image_to_string(image, lang=None, boxes=False, config=None):
'''
Runs tesseract on the specified image. First, the image is written to disk,
and then the tesseract command is run on the image. Resseract's result is
read, and the temporary files are erased.
also supports boxes and config.
if boxes=True
"batch.nochop makebox" gets added to the tesseract call
if config is set, the config gets appended to the command.
ex: config="-psm 6"
'''
if len(image.split()) == 4:
# In case we have 4 channels, lets discard the Alpha.
# Kind of a hack, should fix in the future some time.
r, g, b, a = image.split()
image = Image.merge("RGB", (r, g, b))
input_file_name = '%s.bmp' % tempnam()
output_file_name_base = tempnam()
if not boxes:
output_file_name = '%s.txt' % output_file_name_base
else:
output_file_name = '%s.box' % output_file_name_base
try:
image.save(input_file_name)
status, error_string = run_tesseract(input_file_name,
output_file_name_base,
lang=lang,
boxes=boxes,
config=config)
if status:
#print 'test' , status,error_string
errors = get_errors(error_string)
raise TesseractError(status, errors)
f = open(output_file_name)
try:
return f.read().strip()
finally:
f.close()
finally:
cleanup(input_file_name)
cleanup(output_file_name)
def main():
if len(sys.argv) == 2:
filename = sys.argv[1]
try:
image = Image.open(filename)
if len(image.split()) == 4:
# In case we have 4 channels, lets discard the Alpha.
# Kind of a hack, should fix in the future some time.
r, g, b, a = image.split()
image = Image.merge("RGB", (r, g, b))
except IOError:
sys.stderr.write('ERROR: Could not open file "%s"
' % filename)
exit(1)
print(image_to_string(image))
elif len(sys.argv) == 4 and sys.argv[1] == '-l':
lang = sys.argv[2]
filename = sys.argv[3]
try:
image = Image.open(filename)
except IOError:
sys.stderr.write('ERROR: Could not open file "%s"
' % filename)
exit(1)
print(image_to_string(image, lang=lang))
else:
sys.stderr.write('Usage: python pytesseract.py [-l language] input_file
')
exit(2)
if __name__ == '__main__':
main()
以上です以上のpythonでpytesseractを呼び出して、あるウェブサイトの検証コードを識別する実現方法は、小編集が皆さんに提供したすべての内容を共有することです。参考にしてもらいたいです。皆さん、よろしくお願いします。