Tesseract不会识别png文件中的验证码，该文件包含英文字母的数字和字母

Posted 2021-04-02

我需要从url中提取验证码并使用Tesseract识别它。我的代码是：

#!/usr/bin/perl -X
###
$user = 'user'; #Enter your username here
$pass = 'pass'; #Enter your password here
###
#Server settings
$home = "http://perltest.adavice.com";
$url = "$home/c/test.cgi?u=$user&p=$pass";
#Get html code!
$html = `GET "$url"`
###Add code here!
#Grab img from HTML code
if ($html =~ m%img[^>]*src="(/[^"]*)"%s)
{
    $img = $1;
}
###
die "<img> not found
" if (!$img);
#Download image to server (save as: ocr_me.img)
print "GET '$home$img' > ocr_me.img
";
system "GET '$home$img' > ocr_me.img";
###Add code here!
#Run OCR (using shell command tesseract) on img and save text as ocr_result.txt
system("tesseract ocr_me.img ocr_result");
print "GET '$txt' > ocr_result.txt
";
system "GET '$txt' > ocr_result.txt";
###
die "ocr_result.txt not found
" if (!-e "ocr_result.txt");
# check OCR results:
$txt = 'cat ocr_result.txt';
$txt =~ s/[^A-Za-z0-9-_.]+//sg;
$img =~ s/^.*///;
print `echo -n "file=$img&text=$txt" | POST "$url"`;

图像正确解析。此图片包含captcha，看起来像：

我的输出是：

GET 'http://perltest.adavice.com/captcha/1533110309.png' > ocr_me.img
Tesseract Open Source OCR Engine v3.02.02 with Leptonica
GET '' > ocr_result.txt
Captcha text not specified

如您所见，脚本正确解析图像。但Tesseract在PNG文件中没有看到任何内容。我试图用shell命令tesseract指定其他参数，如-psm和-l，但这也没有给出任何内容

更新：阅读答案@Dave Cross后，我尝试了他的建议。

在输出中我得到：

http://perltest.adavice.com/captcha/1533141024.png
ocr_me.img
Tesseract Open Source OCR Engine v3.02.02 with Leptonica
[]
200Captcha text not specified
Original image file not specified
Captcha text not specified

为什么我需要来自图像.PNG的文字？也许这些额外的信息可以帮助您。看看：

这就是$ url在浏览器中的样子。我的目标是使用perl在wim中为此页面创建查询。为此，我需要填写$ user，$ pass和$ txt之上的表格（来自Tesseract图像的识别）。并使用POST'url'发送它（代码中的最后一个字符串）。

答案

这里发生了几件奇怪的事情。他们中的任何一个都可能导致你的问题。

1. 在你的shebang线上拥有-X是一个糟糕的主意。它明确地关闭了警告。我建议你删除它，将use warnings添加到你的代码中并修复所有显示的问题（我建议也添加use strict，但你需要声明所有的变量）。
2. 我建议使用LWP::Simple而不是炮轰GET。
3. 请不要使用正则表达式来解析HTML。请改用真正的HTML解析器。 Web::Query是我目前的最爱。
4. 然后使用名为GET且没有值的变量再次运行$txt。那不行！
5. $txt = 'cat ocr_result.txt'没有做你认为它做的事情。你想要反引号，而不是单引号。

更新：显然，我无法访问您的用户名或密码，因此我无法重建您的所有代码。但这似乎适用于访问示例中的图像并从中提取文本。

#!/usr/bin/perl

use strict;
use warnings;
use feature 'say';

use LWP::Simple;

my $img_url  = 'http://perltest.adavice.com/captcha/1533110309.png';
my $img_file = 'ocr_me.img';

getstore($img_url, $img_file);

my $txt = `tesseract $img_file stdout`;

say $txt;

这是你的实际错误：

system("tesseract ocr_me.img ocr_result");
print "GET '$txt' > ocr_result.txt
";
system "GET '$txt' > ocr_result.txt";

你要求tesseract将其输出写入ocr_result.txt，但两行后，你用GET失败调用的输出覆盖该文件。我不确定你认为会发生什么，但它会废弃tesseract已存储在该文件中的任何输出。

更新的更新：

这是我当前版本的代码：

#!/usr/bin/perl
use strict;
use warnings;
use feature 'say';
use LWP::Simple qw[$ua get getstore];
use File::Basename;
###
my $user = 'xxxx'; #Enter your username here
my $pass = 'xxxx'; #Enter your password here
###
#Server settings
my $home = "http://perltest.adavice.com";
my $url = "$home/c/test.cgi?u=$user&p=$pass";
#Get HTML code!
my $html = get($url);
my $img;
###Add code here!
#Grab img from HTML code
if ($html =~ m%img[^>]*src="(/[^"]*)"%s)
{
    $img = $1;
}
my $img_url = $home . $img;
my $img_file = 'ocr_me.img';

getstore($img_url, $img_file);

say $img_url;
say $img_file;

# Looks like tesseract adds two newlines to its output -
# so chomp() it twice!
chomp(my $txt = `tesseract ocr_me.img stdout`);
chomp($txt);

say "[$txt]";

$txt =~ s/W+//g;

my $resp = $ua->post($url, {
  u    => $user,
  p    => $pass,
  file => basename($img),
  text => $txt,
});

print $resp->code;
print $resp->content;

我改变了一些东西。

1. 修正了从$img_url到$url . $img的$home . $img（这是阻止它获得正确图像的原因）。
2. 切换到使用LWP :: Simple（它更简单）。
3. chomped（两次！）来自tesseract的输出删除换行符。
4. 使用File :: Basename获取正确的文件名以在最终的POST中传递。
5. 在$txt之前删除了POST中的任何非单词字符。

它仍然不太有用。它似乎挂起等待服务器的响应。但我担心我没时间帮助你了。