1. ホーム
  2. スクリプト・コラム
  3. パール

Tesseract-OCRを使用したPerl Captcha認識チュートリアル

2022-01-29 23:24:13

I. Tesseract-OCR とは何ですか?

1985年から1995年にかけてHP Labsで開発され、現在はGoogleで使用されているOCRエンジン。
Leptonica(http://leptonica.com/)グラフィックス処理ライブラリのオープンソースグラフィックス認識エンジンをベースにしています。
Linux、Windows、Macの各プラットフォームに対応しています。
NET、C++、Python、Javaなどの開発言語に対応しています。https://code.google.com/p/tesseract-ocr/wiki/AddOns
プロジェクトアドレス: https://code.google.com/p/tesseract-ocr/
II. 使用方法
ダウンロードとインストール: https://tesseract-ocr.googlecode.com/files/tesseract-ocr-setup-3.02.02.exe
インストール時のPathディレクトリ、数式表記、言語オプションに注意し、必要に応じて選択してください。
実行:"tesseract yourpic.png res"
画像yourpic.pngの内容が認識され、res.txtに保存されます。
より正確な認識を行うために、各言語のテスデータをプロジェクトのアドレスからダウンロードすることができます。
例えば
簡体字中国語 https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.chi_sim.tar.gz
繁体字中国語
chi_sim.traineddataをダウンロードして解凍し、Tesseract-OCRTessdataにコピーしてください。
実行する。
"tesseract yourpic.png eng" デフォルトのeng言語パックを使用します。
"tesseract yourpic.png sim -l chi_sim" chi_sim言語パックを使用します。
"tesseract yourpic.png tra -l chi_tra" chi_sim言語パックを使用します。
後で修正するために、実データに最も近いものを選択します。

III. 高度利用訓練

数少ない中国語のトレーニング用tesseract-ocr文書
http://yy-programer.blogspot.tw/2012/08/training-tesseract-ocr-301.html
高精度なニーズには調べる必要があり、日常的な市民レベルでは、デフォルトの認識に加えて、後で補正することができます。

IV. 吸着剤の応用例

複数のプロキシリストページのプロキシ吸着 http://www.proxyfire.net/

さっそく、コードを見てみましょう。
pf.bat

コピーコード コードは以下の通りです。

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
コピーコード コードは以下の通りです。

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/\day/8/g;
            $txt =~ s/class/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);