前言
这学期去当了个助教，OJ 又不支持直接导出学生的代码，所以只好自己动手把代码爬下来。因此接触了这个工具用来识别验证码。在这里记录一下 tesseract 的一些简单用法吧。
准备
我的环境： Ubuntu 18.04
安装 tesseract-ocr
sudo apt install tesseract-ocr
# 语言包酌情安装安装 pytesseract
pip install pytesseract这个库其实就是将 tesseract 的一些操作封装成 python 的类。其他平台安装参考这里
最开始我尝试用 tesserocr ，但这个库死活安装不上去，反正我用 pytesseract 是达到了目的，就没管这个了。
基本用法
解释一下一些参数：
- imagename : 要转换的图片
- outputbase : 保存结果的文件名
- -l : 选择语言
- -c : 设定单项参数的值
--psm : 选择分页模式。几个模式翻译如下：
0=方向和脚本检测（OSD）。1=使用OSD自动分页。2=自动分页，但没有OSD或OCR3=全自动页面分割，但没有OSD。（默认）4=假设一列可变大小的文本。5=假定一个统一的垂直排列文本块。6=假设一个统一的文本块。7=将图像视为单个文本行。8=将图像视为一个单词。9=将图像视为一个圆圈中的单个单词。10=将图像视为单个字符。
单独的命令选项：
| parameters | explain |
|---|---|
| -h | 帮助信息 |
| --help-psm | 显示分页模式 |
| --help-oem | 显示引擎模式 |
| -v | 版本信息 |
| --list-langs | 查看当前可以使用的语言库 |
| --print-parameters | 打印tesseract的控制参数 |
简单的例子
这是一张简单的图片，要识别这张图片可以使用以下语句：
tesseract example_01.png stdout --psm=7关于 tesseract 的训练后面再填坑吧，该写实验报告了……
(随便写了个深大OJ的爬虫，放在这里做个备份吧。代码写的是真的烂……)
