Python で pytesseract を呼び出して Web サイト検証コードを識別します

1. pytesseract の概要

1. pytesseract の説明

pytesseract 最新バージョン 0.1.6

Python-tesseract は、Google の Tesseract-OCR のラッパーです。
tesseract のスタンドアロン呼び出しスクリプトとしても役立ちます。 Python イメージング ライブラリでサポートされているすべての画像タイプ
(jpeg、png、gif、bmp、tiff など) を読み取ることができるため、tesseract-ocr はデフォルトで tiff と bmp のみをサポートします。
さらに、スクリプトとして使用する場合, Python-tesseract は、認識された
テキストをファイルに書き込む代わりに出力します。Tesseract-OCR の独立したパッケージ パッケージでは、
バウンディング ボックス データのサポートが予定されています。 Python-tesseract は、画像ファイル内のテキストを認識し、その認識結果をリターンパラメータとして返します。Python-tesseract は、デフォルトで tiff および bmp 形式の画像をサポートします。それ以降は、PIL がインストールされた後にのみインストールできます。 jpeg、gif、png などの画像形式をサポートできます。

2. pytesseract のインストール

インストール:

前提条件:

* Python-tesseract には python 2.5 以降または python 3 が必要です。 Debian/Ubuntu では、これは python3 の「python-imaging」または「python3-imaging」パッケージです。

* Google tesseract-ocr をインストールします。

次のように tesseract コマンドを呼び出すことができる必要があります。 「tesseract」。これに当てはまらない場合、たとえば tesseract が PATH にない場合は、「tesseract.py」の先頭にある「tesseract_cmd」変数を変更する必要があります。

Debian/Ubuntu の場合パッケージ「tesseract-ocr」を使用できます。

pip 経由でのインストール:

[pytesseract パッケージのページ]を参照してください

```
$> sudo pip install pytesseract

翻訳:

a, Python-tesseract Python2.5 以降をサポートします。

b、Python-tesseract は、より多くの画像形式をサポートするために PIL (Python Imaging Library) をインストールする必要があります。

c、Python-tesseract は、tesseract-ocr インストール パッケージをインストールする必要があります。

Pytesseract の原理をまとめると:

1. 前回のブログ投稿で述べたように、コマンド ライン tesseract.exe 1.png out -l eng を実行すると、1.png の漢字を認識し、認識結果を txt に出力します。 ;

2. Pytesseract は上記のプロセスを再カプセル化し、tesseract.exe を自動的に呼び出し、output.txt ファイルの内容を読み取り、それを関数の戻り値として返します。

2. pytesseract

を使用します:

> importError:

> import pytesseract

> (Image.open('test.png')))

> print(pytesseract.image_to_string(Image.open('test-european.jpg'),))

コア コードをご覧ください。 image_to_string 関数です。この関数は、-l eng パラメーターと -psm パラメーターもサポートしています。

使用法:

image_to_string(Image.open('test.png'),lang="eng" config="-psm 7")

2. Image は pytesseract で呼び出されるため、実際には PIL が必要です。 tesseract.exe自体はjpeg、png、その他の画像形式をサポートしています。

公開ウェブサイトの認証コードを識別するコード例 (悪いことはしないでください。何度も考えた結果、最終的にウェブサイトのドメイン名を非表示にしました。他のウェブサイトも試してみましょう...):

#-*-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={}):      #定义连接函数，有超时重连功能
    tryTimes = 0
    while True:
      if (tryTimes>20):
        print u"多次尝试仍无法链接网络，程序终止"
        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]\n' %e.code        
      except urllib2.URLError, e:
       print 'URLError[%s]\n' %e.reason  
      except socket.error:
        print u"连接失败，尝试重新连接"
      else:
        break
    return bodydata,headerdata
   
  def randomCodeOcr(self,filename):
    image = Image.open(filename)
    #使用ImageEnhance可以增强图片的识别率
    #enhancer = ImageEnhance.Contrast(image)
    #enhancer = enhancer.enhance(4)
    image = image.convert('L')
    ltext = ''
    ltext= image_to_string(image)
    #去掉非法字符，只保留字母数字
    ltext=re.sub("\W", "", ltext)
    print u'[%s]识别到验证码:[%s]!!!' %(filename,ltext)
    image.save(filename)
    #print ltext
    return ltext
 
  def getRandomCode(self):
    #开始获取验证码
    #http://jbywcg.****.com.cn/CommonPage/Code.aspx?0.9409255818463862
    i = 0
    while ( i<=100):
      i += 1
      #拼接验证码Url
      randomUrlNew=&#39;%s/CommonPage/Code.aspx?%s&#39; %(self.baseUrl,random.random())
      #拼接验证码本地文件名
      filename= &#39;%s.png&#39; %(i)
      filename= os.path.join(self.curPath,filename)
      jpgdata,jpgheader = self.urllib2Navigate(randomUrlNew)
      if len(jpgdata)<= 0 :
        print u&#39;获取验证码出错！\n&#39;
        return False
      f = open(filename, &#39;wb&#39;)
      f.write(jpgdata)
      #print u"保存图片:",fileName
      f.close()
      self.authCode = self.randomCodeOcr(filename)
 
 
#主程序开始
orcln=orclnypcg()
orcln.initUrllib2()
orcln.getRandomCode()

3. pytesseract コードの最適化

上記のプログラムを Windows プラットフォームで実行すると、黒いコンソール ウィンドウが点滅しますが、これはあまりフレンドリーではありません。

上記のプロセスを非表示にするために、pytesseract.py (C:Python27Libsite-packagespytesseract ディレクトリ) をわずかに変更しました。

# zhongtang によって変更され、コンソール ウィンドウを非表示にします
# 新しいコード

IS_WIN32 = 'win32' in str(sys.platform). lower()

if IS_WIN32:

startupinfo = subprocess.STARTUPINFO()

startupinfo.dwFlags |= サブプロセス。 STARTF_USESHOWWINDOW

startupinfo.wShowWindow = subprocess.SW_HIDE

proc = subprocess.Popen(command,

stderr=subprocess.PIPE,startupinfo=startupinfo)

'''

# 古いコード

proc = subprocess.Popen(command,

stderr=subprocess) .PIPE)

'''

#改変終了

初心者の便宜のために、pytesseract.pyも掲載されており、専門家は無視して大丈夫です。

#!/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'),))
```
 
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 git@github.com: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,, 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 '\n'.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,, 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"\n' % filename)
      exit(1)
    print(image_to_string(image))
  elif len(sys.argv) == 4 and sys.argv[1] == '-l':
   .argv[2]
    filename = sys.argv[3]
    try:
      image = Image.open(filename)
    except IOError:
      sys.stderr.write('ERROR: Could not open file "%s"\n' % filename)
      exit(1)
    print(image_to_string(image,))
  else:
    sys.stderr.write('Usage: python pytesseract.py [-l language] input_file\n')
    exit(2)
 
if __name__ == '__main__':
  main()

以上…

PythonでWebサイトの検証コードを識別するためにpytesseractを呼び出す上記の方法は、編集者が共有した内容であり、皆様の参考になれば幸いです。 PHP 中国語 Web サイトをサポートします。

Python で Web サイトの検証コードを識別するための pytesseract の呼び出しに関連するその他の記事については、PHP 中国語 Web サイトに注目してください。