Perl使用Tesseract-OCR实现验证码识别教程
作者:junjie 发布时间:2022-04-22 07:52:05
一、Tesseract-OCR 是什么
An OCR Engine that was developed at HP Labs between 1985 and 1995… and now at Google
基于Leptonica(http://leptonica.com/)图形处理库开的开源图形识别引擎。
支持Linux、Windows、Mac平台,
支持.NET、C++、Python、Java等开发语言:https://code.google.com/p/tesseract-ocr/wiki/AddOns
项目地址:https://code.google.com/p/tesseract-ocr/
二、使用方法
下载安装:https://tesseract-ocr.googlecode.com/files/tesseract-ocr-setup-3.02.02.exe
注意安装时的Path目录、数学符号、语言选项,按需选择。
执行:”tesseract yourpic.png res”
图片 yourpic.png 里面的内容会被识别后保存在 res.txt
为了更精确的识别可以去到项目地址上下载相应的各种语言的 language tessdata
例如:
简体中文 https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.chi_sim.tar.gz
繁体中文
下载解压后 chi_sim.traineddata 复制到 Tesseract-OCR\tessdata 即可
执行:
“tesseract yourpic.png eng” 使用 默认eng语言包
“tesseract yourpic.png sim -l chi_sim” 使用 chi_sim语言包
“tesseract yourpic.png tra -l chi_tra” 使用 chi_sim语言包
选择最接近真实数据的,方便以后修正
三、进阶使用 Training
为数不多的training tesseract-ocr中文文档
http://yy-programer.blogspot.tw/2012/08/training-tesseract-ocr-301.html
对于高精度需求的需要研究一下了,日常民用级别,默认识别加后期修正即可。
四、应用实例之吸附代理
针对 http://www.proxyfire.net/ 几个代理列表页的代理吸附
话不多说直接上代码,
pf.bat
pf.pl http://www.proxyfire.net/index.php?pageid=eliteproxylist elite.txt
pf.pl http://www.proxyfire.net/index.php?pageid=anonymousproxylist anony.txt
pf.pl http://www.proxyfire.net/index.php?pageid=transparentproxylist trans.txt
pf.pl http://www.proxyfire.net/index.php?pageid=socks4proxylist s4.txt
pf.pl http://www.proxyfire.net/index.php?pageid=socks5proxylist s5.txt
type *.txt > all.tmp
del *.txt /s/q
ren all.tmp all.txt
@pause
pf.pl
use strict;
our $url = $ARGV[0];
our $file = $ARGV[1];
my $res = undef;
my @tmp = undef;
my @pxy = undef;
`wget $url -q -O ___html`;
open FH, "<___html";
@tmp = ;
close FH;
$res = join('',@tmp);
undef(@tmp);
`del ___html /s /q`;
@tmp = ( $res =~ /<img alt="" src="([^" border="0">]+)><\/td>(\d+)'http://www.proxyfire.net'.$tmp[$i], 'port'=>$tmp[$i+1]};
$i = $i + 1;
}
for (my $i=0; $i < @pxy; $i++) { if( length(${$pxy[$i]}{ip})>0 )
{
`echo off & wget ${$pxy[$i]}{ip} -q -O ___png`;
`tesseract ___png ___ -l chi_tra`;
my $txt = undef;
open FH,"<___.txt";
$txt = ;
close FH;
if ( length($txt)>11 )
{
$txt =~ s/\s+//g;
$txt =~ s/日/8/g;
$txt =~ s/昍/88/g;
$txt =~ s/s0/60/g;
$txt =~ s/s1/61/g;
$txt =~ s/s2/62/g;
$txt =~ s/s3/69/g;
$txt =~ s/s4/64/g;
$txt =~ s/s5/65/g;
$txt =~ s/s7/67/g;
$txt =~ s/s8/68/g;
$txt =~ s/s9/69/g;
$txt =~ s/0s/06/g;
$txt =~ s/1s/16/g;
$txt =~ s/2s/26/g;
$txt =~ s/3s/96/g;
$txt =~ s/4s/46/g;
$txt =~ s/5s/56/g;
$txt =~ s/6s/66/g;
$txt =~ s/7s/76/g;
$txt =~ s/8s/86/g;
$txt =~ s/9s/96/g;
$txt =~ s/ss/66/g;
$txt =~ s/\.s/\.6/g;
${$pxy[$i]}{ip} = $txt;
my $bak1 = $txt;
my $bak2 = $txt;
$bak1 =~ s/13/19/g;
$bak1 =~ s/\.32\./\.92\./g;
$bak1 =~ s/\.33\./\.99\./g;
$bak2 =~ s/19/13/g;
$bak2 =~ s/\.243/\.249/g;
$bak2 =~ s/203\./209\./g;
open FHX,">>$file";
print FHX ${$pxy[$i]}{ip}.":".${$pxy[$i]}{port}."\n";
print FHX $bak1.":".${$pxy[$i]}{port}."\n";
print FHX $bak2.":".${$pxy[$i]}{port}."\n";
close FHX;
}
my $txt = undef;
}
}
`del ___* /s /q`;
undef($url);
undef($file);
undef($res);
undef(@tmp);
undef(@pxy);
猜你喜欢
- RedHat 9.0下自带的mysql rpm包为mysql-3.23.54a-11.i386.rpm,如果在你安装操作系统时没有安装mys
- 1. 多线程的作用简而言之,多线程是并行处理相互独立的子任务,从而大幅度提高整个任务的效率。2. Python中的多线程相关模块和方法Pyt
- 1、 在sublime text的官网下载,是适合自己系统的版本。官网地址:https://www.sublimetext.com/32、安
- 本人最近在做字符识别,所以自行在网上寻找方法,接触到tesseract,自己按照网上方法做的时候,也遇到一些问题
- 图像梯度图像梯度计算的是图像变化的速度。对于图像的边缘部分,其灰度值变化较大,梯度值也较大;相反,对于图像中比较平滑的部分,其灰度值变化较小
- 目标站点分析本次要抓取的目标站点为:中介网,这个网站提供了网站排行榜、互联网网站排行榜、中文网站排行榜等数据。网站展示的样本数据量是 :58
- 今天主要向大家讲述的是优化SQL Server数据库的实际操作经验的总结,同时也有对其优化的实际操作中出现的一些问题的描述,以及对SQL S
- python批量命名照片的具体代码,供大家参考,具体内容如下废话不多说,上效果图全部代码from tkinter import *impor
- 源码:#路飞骷髅import turtle as t#黄底帽子t.pu()t.goto(0,200)t.circle(-130,-80)t.
- 下载下面提供两种下载地址,官网地址一般为最新的,网盘地址会定期更新,但是不保证一定是最新的官网下载地址:https://www.jetbra
- CentOS升级Python2.6到Pythno2.7最近在Linode上弄Python、出现ValueError: zero length
- 一、前言现在盗图是非常常见的事情,许多人在使用图片时都不会标注图片的出处或者提及作者,这个时候水印就是个很好的东西了。我们可以给图片添加水印
- 1:下载FCKEditor编辑器下载下来后解压到你网站的目录,最好就放在根目录下,文件夹名字就用FCKEditor;这里可以随便自己喜好,但
- 我今天晚上,做一个快印公司的网站布局,在Div镶套布局中,父标签DIV的高度不变。在IE下没有问题,但是在FIREFOX下就有问题了。如图:
- 环境:Windows 10 专业版pycharm pro 2020.3django 3.2.1xadmin 选django2的版本一,安装这
- 如下所示:#! /usr/bin/python3# coding = utf-8# from PyQt5 import QtGui,QtCo
- 如何正确显示数据库里同时存在的GB码和BIG5码? Public Function CheckBIG(strS
- 下面是一个实战项目的结果。 #coding: utf-8 import Image,ImageDraw,ImageFont,os,strin
- Oracle9i之前,中文是按照二进制编码进行排序的。在oracle9i中新增了按照拼音、部首、笔画排序功能。 1、
- 一、pytest.ini说明pytest.ini是pytest的全局配置文件,一般放在项目的根目录下固定的配置文件(pytest.ini),