python下以api形式調用tesseract識別圖片驗證碼，

python下以api形式調用tesseract識別圖片驗證碼，
一、背景

之前在博文中介紹在python中如何調用tesseract ocr引擎，當時主要介紹了shell模式，shell模式需要安裝tesseract程式，並且效率相對略低。

今天介紹api形式的調用方式，因為博主主要是基於windows環境進行開發，所以這裡的api調用主要是指dll調用（linux之類是.so調用）

 

二、tesseract dll下載網址

https://github.com/charlesw/tesseract 這個網址中包含了編譯好的exe及dll檔案，而且x86，x64兩種架構都有。

（特別說明：選擇x86還是x64版本dll，只依賴於你的python架構，而不是作業系統的架構，即便是在64位作業系統，假如你的python是32位版本，這裡也要選用x86版本dll）。

博主使用的64位Python，所以進入  tesseract/src/lib/TesseractOcr/x64/目錄，分別下載 liblept172.dll、libtesseract304.dll 兩個dll。（若是你想用shell形式調用，也可以下載tesseract.exe，與之前的博文改善的地方，就是免去安裝tesseract。）

 

三、語言套件 下載網址（tessdata）

注意說明裡有這一段話，You will also need to download the language data files for tesseract 3.04 from tesseract-ocr. 

網址：https://github.com/tesseract-ocr/tesseract ，下載其中的tessdata目錄即可，跟dll放到同一目錄。

 

 四、vc 2015++發行包下載

注意說明裡這一段話：

Since tesseract and leptonica binaries are compiled with Visual Studio 2015 you'll need to ensure you have the Visual Studio 2015 Runtime installed.

意思就是，這個tesseract 的dll是使用vs 2015編譯的，所以必須安裝其發行包，同樣分X64，X86兩個版本，還是依賴於你的開發環境，不依賴於作業系統。

  

 五、安裝pyocr for python 包

用pip就可以安裝： pip install pyocr，也可以到官網下載源碼，手動安裝： https://github.com/jflesch/pyocr

最新的pyocr是0.4.1，其源碼還是基於tesseract 3.0.2 ，而前文下載的tesseract 已經是3.0.4版本了，所以需要改下pyocr源碼。 （需要說明的是pyocr包，比起以前博文提的pytesseract包要更複雜一些，同時支援shell、api 、Cuneiform 三種形式。）

修改源碼檔案 ：C:\Python27\Lib\site-packages\pyocr\libtesseract\libtesseract_raw.py檔案。

如下所示： 紅色字型行，把302dll改成304dll

 

TESSDATA_PREFIX = os.getenv('TESSDATA_PREFIX', None)if sys.platform[:3] == "win":    libnames = [        # Jflesch> Don't they have the equivalent of LD_LIBRARY_PATH on        # Windows ?        "../vs2010/DLL_Release/libtesseract302.dll",        "libtesseract304.dll", #libtesseract302.dll    ]else:    libnames = [        "libtesseract.so.3",    ]

 

　　

 

六、編寫測試程式

直接放源碼 pyocr-test.py ：

#coding=utf-8 '''目前的目錄必須有tessdata ,libtesseract304.dll ,liblept172.dll'''import os ,systessdir = os.getenv('TESSDATA_PREFIX', None)if tessdir is None  :    tessdir = os.path.split(os.path.realpath(__file__))[0]     os.environ['TESSDATA_PREFIX'] = tessdirif tessdir not in os.environ['PATH']:    os.environ['PATH']= tessdir+';' +os.environ['PATH']    #sys.path.append(tessdir)print os.environ['PATH']print os.environ['TESSDATA_PREFIX']from pyocr import libtesseractfrom pyocr.builders import TextBuilderfrom PIL import Imagefilename ='1.png'img = Image.open(filename)#不設定成單行模式,沒有輸出bu = TextBuilder(tesseract_layout=7)#lang為語言,預設使用engprint libtesseract.image_to_string(img,lang='fontet',builder=bu)

幾個注意點：

1、前文下載的dll 與tessdata語言套件檔案夾，預設放到 pyocr-test.py 的同一目錄下；

2、必須安裝vc++ 2015 發行包（vc_redist.x86.exe 或vc_redist.x64.exe），否則會ctypes.cdll.LoadLibrary(libname)會調用dll失敗。

3、源碼裡的第一段，主要就是用來解決python找不到dll的問題，這段代碼主要功能：把目前的目錄加到系統PATH環境變數裡，以確保dll能被搜到。

這個地方容易出問題，主要是os.path.realpath 、__file__這幾個內建函式和常量，貌似在不同的開發環境，甚至不同的開發工具下都會有不同的結果，跟pyocr無關，主要是python的問題。

import ostessdir = os.getenv('TESSDATA_PREFIX', None)if tessdir is None  :    tessdir = os.path.split(os.path.realpath(__file__))[0]     os.environ['TESSDATA_PREFIX'] = tessdirif tessdir not in os.environ['PATH']:    os.environ['PATH']= tessdir+';' +os.environ['PATH']

4、實測時發現，bu = TextBuilder(tesseract_layout=7) 這一段不寫，會導致識別出錯，這個等於以前博文提到-psm 7函數，也就是單行模式。

  

以上