在爬蟲過程中，難免會遇到各種各樣的驗證碼，而大多數(shù)驗證碼還是圖形驗證碼，這時候我們可以直接用OCR來識別。

　　1. OCR

　　OCR，即Optical Character Recognition，光學(xué)字符識別，是指通過掃描字符，然后通過其形狀將其翻譯成電子文本的過程。對于圖形驗證碼來說，它們都是一些不規(guī)則的字符，這些字符確實是由字符稍加扭曲變換得到的內(nèi)容。

　　例如，對于如圖1-22和圖1-23所示的驗證碼，我們可以使用OCR技術(shù)來將其轉(zhuǎn)化為電子文本，然后爬蟲將識別結(jié)果提交給服務(wù)器，便可以達(dá)到自動識別驗證碼的過程。

　　圖1-22 驗證碼

　　圖1-23 驗證碼

　　tesserocr是Python的一個OCR識別庫，但其實是對tesseract做的一層Python API封裝，所以它的核 心是tesseract。因此，在安裝tesserocr之前，我們需要先安裝tesseract。

　　2. 相關(guān)鏈接

　　tesserocr GitHub：https://github.com/sirfz/tesserocr

　　tesserocr PyPI：https://pypi.python.org/pypi/tesserocr

　　tesseract下載地址：http://digi.bib.uni-mannheim.de/tesseract

　　tesseract GitHub：https://github.com/tesseract-ocr/tesseract

　　tesseract語言包：https://github.com/tesseract-ocr/tessdata

　　tesseract文檔：https://github.com/tesseract-ocr/tesseract/wiki/Documentation

　　3. Windows下的安裝

　　在Windows下，首先需要下載tesseract，它為tesserocr提供了支持。

　　進(jìn)入下載頁面，可以看到有各種.exe文件的下載列表，這里可以選擇下載3.0版本。圖1-24所示為3.05版本。

　　圖1-24 下載頁面

　　其中文件名中帶有dev的為開發(fā)版本，不帶dev的為穩(wěn)定版本，可以選擇下載不帶dev的版本，例如可以選擇下載tesseract-ocr-setup-3.05.01.exe。

　　下載完成后雙擊，此時會出現(xiàn)如圖1-25所示的頁面。

　　圖1-25 安裝頁面

　　此時可以勾選Additional language data(download)選項來安裝OCR識別支持的語言包，這樣OCR便可以識別多國語言。然后一路點(diǎn)擊Next按鈕即可。

　　如今python編程語言市場需求大，薪資待遇上萬盡在咫尺！如果你也想學(xué)習(xí)python技術(shù)可以填寫下面表單，Python學(xué)習(xí)資料限時免費(fèi)領(lǐng)�。�