Tesseract-OCRを使用したPerl Captcha認識チュートリアル
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
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
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);
関連
最新
-
nginxです。[emerg] 0.0.0.0:80 への bind() に失敗しました (98: アドレスは既に使用中です)
-
htmlページでギリシャ文字を使うには
-
ピュアhtml+cssでの要素読み込み効果
-
純粋なhtml + cssで五輪を実現するサンプルコード
-
ナビゲーションバー・ドロップダウンメニューのHTML+CSSサンプルコード
-
タイピング効果を実現するピュアhtml+css
-
htmlの選択ボックスのプレースホルダー作成に関する質問
-
html css3 伸縮しない 画像表示効果
-
トップナビゲーションバーメニュー作成用HTML+CSS
-
html+css 実装 サイバーパンク風ボタン
おすすめ
-
Perlのprint、printf、sprintfの使用例について説明します。
-
Perlの文字列処理関数
-
Perlで配列から値を削除する方法は?
-
Perlで警告や例外を捕捉してログに書き込む
-
Perl5 のコードを Perl6 に移行するためのソリューション
-
ファイル自動削除のためのサーバースクリプト
-
2つのファイルを比較し、データをフィルタリングするスクリプトコード(perlで実装されている
-
へのコメント Perl code for marriage proposal
-
[解決済み] Perlで複数行のコメントを入力するにはどうしたらいいですか?[重複している]。
-
[解決済み] 演算子で指定された場所にベアワードが見つかりました。