Python调用Tesseract库实现图片文字识别与知乎模拟登录

陆遥

发布时间：2026-10-13| 2人浏览过

原创

本文详细介绍如何在Python环境中使用Tesseract OCR库进行图片文字识别。内容涵盖Tesseract的安装配置、pytesseract模块的使用，以及通过代码示例展示如何识别简单验证码。针对复杂验证码识别失败的情况，文章提供了结合人工输入与自动识别的混合处理方案，并附带了知乎模拟登录的完整源码，帮助开发者解决爬虫中的验证码难题。

一、Tesseract简介

Tesseract是一款开源的光学字符识别（OCR）引擎，全称为Optical Character Recognition。它的主要功能是对扫描后的文本图像进行分析处理，从而提取出其中的文字内容及版面结构信息。目前，Tesseract被广泛认为是最优秀且识别精度较高的OCR工具之一。

二、Tesseract的使用

1. 下载并安装Tesseract：请前往官方渠道点击下载相关安装包。

2. 在Windows系统环境下配置环境变量：

#根据下载安装文件的路径配置环境变量
set TESSDATA_PREFIX F:\Tesseract-OCR\

3. 安装Python对应的pytesseract模块：

pip install pytesseract

4. 在Python脚本中指定tesseract.exe应用程序的路径：

pytesseract.pytesseract.tesseract_cmd = r'F:\Tesseract-OCR\tesseract.exe'

5. 案例演示

识别以下图片中的文字内容：

import pytesseract
from PIL import Image
#1.引入Tesseract程序
pytesseract.pytesseract.tesseract_cmd = r'F:\Tesseract-OCR\tesseract.exe'
#2.使用Image模块下的Open()函数打开图片
image = Image.open('6.jpg',mode='r')
print(image)
#3.识别图片文字
code= pytesseract.image_to_string(image)
print(code)

运行结果演示：

<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=611x210 at 0x1A5DFDCB4A8> Google

需要注意的是，Tesseract引擎在处理某些复杂验证码时可能存在识别困难，例如豆瓣生成的部分验证码无法被准确识别。在这种情况下，如果需要通过爬虫获取豆瓣数据，则必须采用手动输入验证码的方式进行处理。

三、模拟登录知乎源码

import requests
import time
import pytesseract
from PIL import Image
from bs4 import BeautifulSoup

def captcha(data):
  with open('captcha.jpg','wb') as fp:
    fp.write(data)
  time.sleep(1)
  image = Image.open("captcha.jpg")
  text = pytesseract.image_to_string(image)
  print "机器识别后的验证码为：" + text
  command = raw_input("请输入Y表示同意使用，按其他键自行重新输入：")
  if (command == "Y" or command == "y"):
    return text
  else:
    return raw_input('输入验证码：')

def zhihuLogin(username,password):

  # 构建一个保存Cookie值的session对象
  sessiona = requests.Session()
  headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:47.0) Gecko/20100101 Firefox/47.0'}

  # 先获取页面信息，找到需要POST的数据（并且已记录当前页面的Cookie）
  html = sessiona.get('https://www.zhihu.com/#signin', headers=headers).content

  # 找到 name 属性值为 _xsrf 的input标签，取出value里的值
  _xsrf = BeautifulSoup(html ,'lxml').find('input', attrs={'name':'_xsrf'}).get('value')

  # 取出验证码，r后面的值是Unix时间戳,time.time()
  captcha_url = 'https://www.zhihu.com/captcha.gif?r=%d&type=login' % (time.time() * 1000)
  response = sessiona.get(captcha_url, headers = headers)


  data = {
    "_xsrf":_xsrf,
    "email":username,
    "password":password,
    "remember_me":True,
    "captcha": captcha(response.content)
  }

  response = sessiona.post('https://www.zhihu.com/login/email', data = data, headers=headers)
  print response.text

  response = sessiona.get('https://www.zhihu.com/people/maozhaojun/activities', headers=headers)
  print response.text


if __name__ == "__main__":
  #username = raw_input("username")
  #password = raw_input("password")
  zhihuLogin('xxxx@qq.com','ALAxxxxIME')

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。