如何用tesserocr在Python3中识别超长尾词验证码？

本文共计1659个文字，预计阅读时间需要7分钟。

一、背景+需求最近有一个需求是从一个后台留言网站爬取评论数据。后台管理网站需要登录，登录后会有一个验证码问题。由于验证码是由后端生成的，无法直接解析。

一、背景

最近有个需求是从一个后台的留言网站爬取留言数据，后台管理网站必然涉及到了登录，登录就有个验证码的问题必须得解决，由于验证码是从后端生成的，并且不了解其生成规则，那就只能通过图像识别技术来做验证码识别了！通过查阅资料发现Python中的的tesserocr这个库好像使用的比较多，所以对这个库进行了一番研究，并且实现了那个后台网站验证码的识别。

二、准备工作

1. 安装tesserocr

由于我使用的Python版本是python3.5，所以一下所有操作都是基于python3的，如果有python2的同学，可以找找其他教程~~

首先需要下载tesseract，它为tesserocr提供底层支持。具体下载官方路径：github.com/UB-Mannheim/tesseract/wiki，选择对应的系统版本，可以选择一个相对不带dev的稳定版本下载，如：tesseract-ocr-setup-3.05.02-20180621.exe。然后一路安装，唯一记得勾选Additional language data（download），勾选可能会用到的语言tessdata，如简体、繁体中文，数学模块等，不需要全选，下载tessdata的时间会比较长。