1. 安装 tesseract

OCR，即 Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。

tesseract 下载地址：https://digi.bib.uni-mannheim.de/tesseract/

进入下载页面，可以看到有各种.exe 文件的下载列表，这里可以选择下载 3.0 版本。

其中文件名中带有 dev 的为开发版本，不带 dev 的为稳定版本，可以选择下载不带 dev 的版本，例如可以选择下载 tesseract-ocr-setup-3.05.02.exe。

下载完成后双击，此时会出现如下图所示的页面。

此时可以勾选 Additional language data (download) 选项来安装 OCR 识别支持的语言包，这样 OCR 便可以识别多国语言。然后一路点击 Next 按钮即可。

接下来，为了在 python 代码中使用 tesseract 功能，使用 pip 安装 pytesseract：

pip install pytesseract

2、配置环境变量

为了在全局使用方便，比如安装路径为 D:\Program Files (x86)\Tesseract-OCR，将该路径添加到环境变量的 path 中

配置完成后在命令行输入 tesseract -v，如果出现如下图所示，说明环境变量配置成功

3、验证安装

接下来，我们可以使用 tesseract 和 pytesseract 来分别进行测试。

我们以如下图所示的图片为样例进行测试。

该图片的链接为 https://raw.githubusercontent.com/Python3WebSpider/TestTess/master/image.png，可以直接保存或下载。

首先用命令行进行测试，将图片下载到 D 盘 chromeDownload 文件夹，保存为 image.png，然后在该文件夹中打开命令行，用 tesseract 命令测试：

tesseract image.png result 

运行结果如下：

D:\chromeDownload>tesseract image.png result
Tesseract Open Source OCR Engine v3.05.02 with Leptonica

这里我们调用了 tesseract 命令，其中第一个参数为图片名称，第二个参数 result 为结果保存的目标文件名称。

运行结果便是图片的识别结果：Python3WebSpider。可以在 chromeDownload 文件夹中看到 result.txt，这时已经成功将图片文字转为电子文本了。

然后还可以利用 Python 代码来测试，这里就需要借助于 pytesseract 库了，测试代码如下：

1. from PIL import Image

2. import pytesseract

4. text = pytesseract.image_to_string(Image.open( r'D:\chromeDownload\image.png'))

5. print(text)

我们首先利用 Image 读取了图片文件，然后调用了 pytesseract 的 image_to_string () 方法，再将其识别结果输出。

运行结果如下：

Python3WebSpider

如果成功输出结果，则证明 tesseract 和 pytesseract 都已经安装成功。

4、使用时遇到的坑

在使用 tesseract 命令行进行测试时，会议开始报以下的错误

Error opening data file \Program Files (x86)\Tesseract-OCR\tessdata/eng.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your "tessdata" directory.
Failed loading language 'eng'
Tesseract couldn't load any languages!
Could not initialize tesseract.

报错是意思是缺少环境变量 TESSDATA_PREFIX，导致无法加载任何语言，就不能初始化 tesseract。

解决的方法也很简单，在环境变量中添加 TESSDATA_PREFIX，如下图

注意：变量值中的路径为 “D:/Program Files (x86)/Tesseract-OCR”，使用正斜杠 “/”。windows 中复制过来的路径默认是反斜杠 “\”

配置完成后，重新打开命令行，即可正常使用。

第二个坑是使用 pytesseract 时，出现以下错误

Traceback (most recent call last):
  File "D:\Python36\lib\site-packages\pytesseract\pytesseract.py", line 170, in run_tesseract
    proc = subprocess.Popen(cmd_args, **subprocess_args())
  File "D:\Python36\lib\subprocess.py", line 709, in __init__
    restore_signals, start_new_session)
  File "D:\Python36\lib\subprocess.py", line 997, in _execute_child
    startupinfo)
FileNotFoundError: [WinError 2] 系统找不到指定的文件。

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "D:/python/20180911.py", line 4, in <module>
    text = pytesseract.image_to_string(Image.open(r'D:\chromeDownload\image.png'))
  File "D:\Python36\lib\site-packages\pytesseract\pytesseract.py", line 294, in image_to_string
    return run_and_get_output(*args)
  File "D:\Python36\lib\site-packages\pytesseract\pytesseract.py", line 202, in run_and_get_output
    run_tesseract(**kwargs)
  File "D:\Python36\lib\site-packages\pytesseract\pytesseract.py", line 172, in run_tesseract
    raise TesseractNotFoundError()
pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your path

这就很坑，添加了全局变量，还是提示 tesseract 没有安装或者不在 PATH 中。

百度了一下，解决方案如下。

pytesseract 安装后，在 python 的 Lib 目录下 site-packges 下会生成一个 pytesseract 文件夹，文件夹中找到 pytesseract.py，路径为：D:\Python36\Lib\site-packages\pytesseract，使用 notepad 之类软件打开 pytesseract.py，找到如下两行：

# CHANGE THIS IF TESSERACT IS NOT IN YOUR PATH, OR IS NAMED DIFFERENTLY
tesseract_cmd = 'tesseract'

将 tesseract_cmd = 'tesseract' 修改为：tesseract_cmd = 'D:/Program Files (x86)/Tesseract-OCR/tesseract.exe'

表示 tesseract_cmd 配置的是你安装 tesseract 的绝对路径，这样就能找到 tesseract 了。修改后保存，再去运行 python 代码，就可以成功了。