OCR从入门到不精通

最近在爬某网站，老是蹦出来验证码，就想着找个OCR破了这个验证码，然后就开始了OCR探索之旅。

首先简单说一下什么是OCR

OCR是（Optical Character Recognition，光学字符识别）的简称，主要用途：

1. 办公用途，用来识别图片里面的文字，可以高效率的录入图片类型文件。
2. 识别网站验证码
3. 详见维基百科或者百度百科

OCR识别的验证码原理

1. 采集一批验证码，根据图片特点进行初步处理（二值化/灰度化/滤波/降噪等处理）
2. 然后分割图片，旋转图片，模板选取，训练算法，让它更准确。
3. 有兴趣的可以看一个Python实现的OCR识别验证码详细demo,实际操作过程挺有意思的，大家有兴趣了可以试试

OCR识别验证码的具体操作

1. 首先我测试了一个百度开源的Node.js实现的OCR包
   gitHub地址 https://github.com/netpi/baidu-ocr-api
   安装也很简单直接按照官方的文档安装即可
   发现百度的这个OCR包识别效果不太理想
   

   node_ocr.png

2. 然后经过一番Google和小伙伴们的推荐 选择一个Google开源的tesseract这个是C++写的，直接融合到爬虫里不太方便，有外国朋友基于tesseract封装了一个Python的包pytesseract,直接开箱即用，融入爬虫程序中。

3. 百闻不如一run
   ps(这里使用的操作系统是Ubuntu16.04；Python版本是2.7)
   直接 pip install pytesseract 然后Python图片处理要用到PIL(Python Imaging Library) pip install PIL
   原图片
   

   ocr.gif

   写个简单的测试demo

   
   code.png

   看下识别结果
   

   error.png

   报错了， 根据报错信息来看，是确实了什么文件，或者依赖lib
   我跟踪了pytesseract的代码，发现是少了C++提供的OCR服务，因为pytesseract是调用的tesseract(C++写的)
   然后安装tesseract sudo apt install tesseract
   再run一下代码
   

   pyocr_res.png

整体结果还可以（倒数第四位识别错了），再训练一下准确率就更高了。
预知后事如何，且听下回分解