一、Tesseract-OCR 是什么
An OCR Engine that was developed at HP Labs between 1985 and 1995… and now at Google
基于Leptonica(http://leptonica.com/)图形处理库开的开源图形识别引擎。
支持Linux、Windows、Mac平台，
支持.NET、C++、Python、Java等开发语言：https://code.google.com/p/tesseract-ocr/wiki/AddOns
项目地址：https://code.google.com/p/tesseract-ocr/
二、使用方法
下载安装：https://tesseract-ocr.googlecode.com/files/tesseract-ocr-setup-3.02.02.exe
注意安装时的Path目录、数学符号、语言选项，按需选择。
执行：”tesseract yourpic.png res”
图片 yourpic.png 里面的内容会被识别后保存在 res.txt
为了更精确的识别可以去到项目地址上下载相应的各种语言的 language tessdata
例如：
简体中文 https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.chi_sim.tar.gz
繁体中文
下载解压后 chi_sim.traineddata 复制到 Tesseract-OCRtessdata 即可
执行：
“tesseract yourpic.png eng” 使用 默认eng语言包
“tesseract yourpic.png sim -l chi_sim” 使用 chi_sim语言包
“tesseract yourpic.png tra -l chi_tra” 使用 chi_sim语言包
选择最接近真实数据的，方便以后修正
三、进阶使用 Training
为数不多的training tesseract-ocr中文文档
http://yy-programer.blogspot.tw/2012/08/training-tesseract-ocr-301.html
对于高精度需求的需要研究一下了，日常民用级别，默认识别加后期修正即可。
四、应用实例之吸附代理
针对 http://www.proxyfire.net/ 几个代理列表页的代理吸附
话不多说直接上代码，
pf.bat
复制代码 代码如下:
pf.pl http://www.proxyfire.net/index.php?pageid=eliteproxylist elite.txt
pf.pl http://www.proxyfire.net/index.php?pageid=anonymousproxylist anony.txt
pf.pl http://www.proxyfire.net/index.php?pageid=transparentproxylist trans.txt
pf.pl http://www.proxyfire.net/index.php?pageid=socks4proxylist s4.txt
pf.pl http://www.proxyfire.net/index.php?pageid=socks5proxylist s5.txt
type *.txt > all.tmp
del *.txt /s/q
ren all.tmp all.txt
@pause
pf.pl
复制代码 代码如下:
use strict;
our $url = $ARGV[0];
our $file = $ARGV[1];
my $res = undef;
my @tmp = undef;
my @pxy = undef;
`wget $url -q -O ___html`;
open FH, "<___html";
@tmp = ;
close FH;
$res = join('',@tmp);
undef(@tmp);
`del ___html /s /q`;
@tmp = ( $res =~ /<img alt="" src="([^" border="0">]+)></td>(d+)'http://www.proxyfire.net'.$tmp[$i], 'port'=>$tmp[$i+1]};
$i = $i + 1;
}
for (my $i=0; $i < @pxy; $i++) { if( length(${$pxy[$i]}{ip})>0 )
{
`echo off & wget ${$pxy[$i]}{ip} -q -O ___png`;
`tesseract ___png ___ -l chi_tra`;
my $txt = undef;
open FH,"<___.txt";
$txt = ;
close FH;
if ( length($txt)>11 )
{
$txt =~ s/s+//g;
$txt =~ s/日/8/g;
$txt =~ s/昍/88/g;
$txt =~ s/s0/60/g;
$txt =~ s/s1/61/g;
$txt =~ s/s2/62/g;
$txt =~ s/s3/69/g;
$txt =~ s/s4/64/g;
$txt =~ s/s5/65/g;
$txt =~ s/s7/67/g;
$txt =~ s/s8/68/g;
$txt =~ s/s9/69/g;
$txt =~ s/0s/06/g;
$txt =~ s/1s/16/g;
$txt =~ s/2s/26/g;
$txt =~ s/3s/96/g;
$txt =~ s/4s/46/g;
$txt =~ s/5s/56/g;
$txt =~ s/6s/66/g;
$txt =~ s/7s/76/g;
$txt =~ s/8s/86/g;
$txt =~ s/9s/96/g;
$txt =~ s/ss/66/g;
$txt =~ s/.s/.6/g;
${$pxy[$i]}{ip} = $txt;
my $bak1 = $txt;
my $bak2 = $txt;
$bak1 =~ s/13/19/g;
$bak1 =~ s/.32./.92./g;
$bak1 =~ s/.33./.99./g;
$bak2 =~ s/19/13/g;
$bak2 =~ s/.243/.249/g;
$bak2 =~ s/203./209./g;
open FHX,">>$file";
print FHX ${$pxy[$i]}{ip}.":".${$pxy[$i]}{port}."n";
print FHX $bak1.":".${$pxy[$i]}{port}."n";
print FHX $bak2.":".${$pxy[$i]}{port}."n";
close FHX;
}
my $txt = undef;
}
}
`del ___* /s /q`;
undef($url);
undef($file);
undef($res);
undef(@tmp);
undef(@pxy);
【Perl使用Tesseract-OCR实现验证码识别教程】相关文章：
★ Perl使用File::Basename获取文件扩展名的代码
★ Perl使用nginx FastCGI环境做WEB开发实例