Perl使用Tesseract-OCR實現(xiàn)驗證碼識別教程

更新時間：2014年06月27日 10:49:03 投稿：junjie

這篇文章主要介紹了Perl使用Tesseract-OCR實現(xiàn)驗證碼識別教程,Tesseract-OCR是一個開源圖形識別引擎,需要的朋友可以參考下

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
注意安裝時的Path目錄、數(shù)學符號、語言選項，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目地址上下載相應的各種語言的 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 復制到 Tesseract-OCR\tessdata 即可
執(zhí)行：
“tesseract yourpic.png eng” 使用默認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
選擇最接近真實數(shù)據(jù)的，方便以后修正

三、進階使用 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，默認識別加后期修正即可。

四、應用實例之吸附代理

針對 http://www.proxyfire.net/ 幾個代理列表頁的代理吸附

話不多說直接上代碼，
pf.bat

復制代碼代碼如下:

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);