小猪的Python学习之旅 —— 13.文字识别库pytesseract初体验

标签：Python

---

引言

度过了短暂的春节假期，又要开始继续搬砖了，因为还处于节后 综合征，各种散漫，不想看任何代码相关的东西，根本挤不出学习热情… 恰逢前几天，公司的UI妹子安利了一个卖萌的新番：小木乃伊到我家

就是图中的这四只小东西，敲可爱的说，分别叫：

小伊(木乃伊)，可尼(小鬼，牛)，啊勇(龙)，胖嘟嘟

UI妹子尤其喜欢可尼，是挺萌的，突然想找些相关的手机或者电脑壁纸， 壁纸没找到，却在 里找到了一些自制的表情包： https://tieba.baidu.com/p/5522091060

表情都很有趣嘛，写个脚本把图片都爬下来？走一波流程：

Step 1：Network抓包看下返回的数据是否和Element一致， 或者说有我们想要的数据，而不是通过JS黑魔法进行加载的；

下第一个图的图片链接，到Network选项卡里的Response 里查找以下，嗯，找得到，可以：

Step 2：滚动到底，抓包没有发现Ajax动态加载数据的踪迹

Step 3：点击第二页，抓包发现了Ajax加载的痕迹！！！

同样拿第一个图的url搜下，同样可以找到

三个参数猜测pn为page_number，即页数，PostMan或者自己 写代码模拟请求，记得塞入Host和X-Requested-With，验证pn=1 是否为第一页数据，验证通过，即所有页面数据都可以通过这个 接口拿到；

Step 4：先加载拿到末页是第几页，然后走一波循环遍历即可 解析数据获得图片url，写入文件，使用多个线程进行下载 比较简单，就不详解了，直接给出代码，看不懂的自己复习去：

运行结果：

接着在和UI妹子聊天的时候就可以拿这些表情来斗图了，但是问题来了， 总共有165个图，我每次想说什么都要打开图片一个个看文字是否 符合场景，然后才发，有点呆，而且浪费时间，有没有什么快点 找到表情的方法呢？

答：直接把表情里的文字作为图片名不就好了，直接文件搜索搜关键字；

但是问题又来了，一张张去改文件名？多呆哦！

突然想起之前看过一篇答题辅助脚本的文章，就是 利用OCR文字识别，把识别出来的文字丢百度上搜索，选项频度最高 的一般就是正确答案，可以试一波这个套路，谷歌为我们提供了一个 免费的ORC文字识别引擎：Tesseract 仓库地址：https://github.com/tesseract-ocr/tesseract

---

稳定版本是3.0，4.0版本还处于研发，一开始以为新版的肯定牛逼 一些，装了4.0的发现对于中文的识别效率超低，差太远了，后来 又换回了3.0版本，情况稍微好一些，当然可以通过其他方法提高 中文识别率，图片裁剪，调节对比度，黄底黑字，自己训练语言库等， 不是本节的学习范畴，本节写个简单的例子了解下怎么用而已～

更多可移步到：ubuntu下使用Tesseract-ocr(编译、安装、使用、训练新的语言库) 各个版本介绍：https://github.com/tesseract-ocr/tesseract/wiki/ReleaseNotes

---

Ubuntu 14.04 环境安装(其他系统环境后续用到再补充…)

1.安装tesseract-ocr

2.安装pytesseract与Image

3.下载tesseract中文简体字库

默认安装后是不带中文简体库的，官方仓库走一波： https://github.com/tesseract-ocr/tessdata 记得选择版本Tag，3.0的tesseract-ocr是用不了4.0的字库的！！！ 如果你下错了，调用的时候会报3.0用不了4.0的字库的错误！！！

这两个就是对应中文简体与繁体：

字库下载后需要放到下面的目录下： 然后你发现字库文件无法拷贝到该目录下，因为需要权限，这里可以通过 命令行拷贝一波：

前面是源文件，后面是拷贝到哪个目录下。

好了，到此就准备完成了，接着写个简单的程序来识别一波！

---

代码忒简单，创建一个Image对象，调用下pytesseract.image_to_string()方法 就能识别文字了，参数依次是Image对象，识别语言类型，chi_sim中文简体

随手截一波掘金首页的分类栏：

运行一波：

识别结果有点感人，调一张表情图试试：

识别结果：

？？？都识别出来什么东西，后面试了几张图片我还发现不止识别 错误，有时连字都识别不出来…在不自己去训练字体库的情况下， 中文识别率真心感人，不过最大的有点优点还是：Tesseract免费。 识别数字或者英语的时候，还凑合，随手一段英文：

设置下lang=’eng’，输出结果：

免费的识别率低，试试收费的怎样，百度云OCR

---

收费，每天免费500次，拿来完成我们这个图片命名的小脚本足矣！ 官方文档：文字识别 - Python SDK文档

配置流程：

1.开通文字识别服务：https://cloud.baidu.com/product/ocr.html

2.创建一个应用，然后记下API Key 和 Secret Key 程序里要用

3.点右上角->用户中心，抄下自己的用户ID

4.pip命令安装一波

编写简单代码：

试试上面掘金的那个，输出结果：

啧啧，可以的，试试搞基那个表情？

嗯，还是有点小错误，在文档里找到：

把 改为 ，结果：

啧啧，完美识别，稍微慢了一点点，接下来把代码完善下， 把所有的图片重命名一波咯！

---

遍历文件夹，获得所有的图片路径，然后文字识别一波，获得结果集 里长度最长的字符串作为文件名，能识别的就修改下文件名，完整代码 如下：

运行结果：

要注意一点，高精度版免费只有50次，我一开始不知道，后面跑程序 突然卡住一直不动，这点要注意，后面还是用回了普通模式，所以有 些文件名并不完全是对的，就调调API的事，非常简单，项目有极大 刚需要用到文字识别的自行去官网了解吧～

---

本节简单的了解了一下pytesseract这个免费的OCR识别库， 对于中文的识别率不高，后面试了下百度云OCR，顺道写了 一个简单的实战项目，都比较简单，那么本节就到这里啦～

---

来啊，Py交易啊

想加群一起学习Py的可以加下，智障机器人小Pig，验证信息里包含： Python，python，py，Py，加群，交易， 中的一个关键词即可通过；