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/)圖形處理庫開的開源圖形識別引擎。
支持Linux、Windows、Mac平臺，
支持.NET、C++、Python、Java等開發(fā)語言：https://code.google.com/p/tesseract-ocr/wiki/AddOns
項(xiàng)目地址：https://code.google.com/p/tesseract-ocr/
二、使用方法
下載安裝：https://tesseract-ocr.googlecode.com/files/tesseract-ocr-setup-3.02.02.exe
注意安裝時(shí)的Path目錄、數(shù)學(xué)符號、語言選項(xiàng)，按需選擇。
執(zhí)行：”tesseract yourpic.png res”
圖片 yourpic.png 里面的內(nèi)容會被識別后保存在 res.txt
為了更精確的識別可以去到項(xiàng)目地址上下載相應(yīng)的各種語言的 language tessdata
例如：
簡體中文 https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.chi_sim.tar.gz
繁體中文
下載解壓后 chi_sim.traineddata 復(fù)制到 Tesseract-OCR\tessdata 即可
執(zhí)行：
“tesseract yourpic.png eng” 使用 默認(rèn)eng語言包
“tesseract yourpic.png sim -l chi_sim” 使用 chi_sim語言包
“tesseract yourpic.png tra -l chi_tra” 使用 chi_sim語言包
選擇最接近真實(shí)數(shù)據(jù)的，方便以后修正
三、進(jìn)階使用 Training
為數(shù)不多的training tesseract-ocr中文文檔
http://yy-programer.blogspot.tw/2012/08/training-tesseract-ocr-301.html
對于高精度需求的需要研究一下了，日常民用級別，默認(rèn)識別加后期修正即可。
四、應(yīng)用實(shí)例之吸附代理
針對 http://www.proxyfire.net/ 幾個(gè)代理列表頁的代理吸附
話不多說直接上代碼，
pf.bat
復(fù)制代碼 代碼如下:
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
復(fù)制代碼 代碼如下:
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);
您可能感興趣的文章:- 用Python識別人臉，人種等各種信息
- Python基于Opencv來快速實(shí)現(xiàn)人臉識別過程詳解（完整版）
- 使用Python的OpenCV模塊識別滑動(dòng)驗(yàn)證碼的缺口（推薦）
- python批量識別圖片指定區(qū)域文字內(nèi)容
- Python Opencv實(shí)現(xiàn)圖像輪廓識別功能
- Python3.6使用tesseract-ocr的正確方法
- Python識別快遞條形碼及Tesseract-OCR使用詳解
