NodeJS模块-Tesseract识别验证码图片

Posted on by

概述

NodeJS模块-Tesseract识别验证码图片，在验证码识别上，node.js其实也只是打酱油的角色，因为已经有成熟的工具做这个事情，而node只需要做调度就行了。

所需工具

那么介绍一下这些工具吧

  • Tesseract 开源的 OCR 识别工具，目前由 Google 维护，支持中文，默认的识别率很低哈，特别是中文，但是可以自己提供样本，训练提高识别率。
  • graphicsmagick 非常实用的图像处理工具，下面会讲到用途。

 

安装

npm install node-tesseract

npm中的示例

0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
var tesseract = require('node-tesseract');
 
// Recognize text of any language in any format
tesseract.process(__dirname + '/path/to/image.jpg',function(err, text) {
    if(err) {
        console.error(err);
    } else {
        console.log(text);
    }
});
 
// Recognize German text in a single uniform block of text and set the binary path
 
var options = {
    l: 'deu',
    psm: 6,
    binary: '/usr/local/bin/tesseract'
};
 
tesseract.process(__dirname + '/path/to/image.jpg', options, function(err, text) {
    if(err) {
        console.error(err);
    } else {
        console.log(text);
    }
});

 

用node.js实现

最后在node.js中整合上面的操作，其中图像处理用 graphicsmagick 代替。
直接上源码吧，里面用到了 tesseract 和 graphicsmagick 在node.js中对应的包装。

0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
var fs        = require('fs');
var tesseract = require('node-tesseract');
var gm        = require('gm');
 
processImg('1.jpg', 'test_1.jpg')
    .then(recognizer)
    .then(text => {
        console.log(`识别结果:${text}`);
    })
    .catch((err)=> {
        console.error(`识别失败:${err}`);
    });
 
/**
* 处理图片为阈值图片
* @param imgPath
* @param newPath
* @param [thresholdVal=55] 默认阈值
* @returns {Promise}
*/
function processImg (imgPath, newPath, thresholdVal) {
    return new Promise((resolve, reject) => {
        gm(imgPath)
            .threshold(thresholdVal || 55)
            .write(newPath, (err)=> {
                if (err) return reject(err);
 
                resolve(newPath);
            });
    });
}
 
/**
* 识别图片
* @param imgPath
* @param options tesseract options
* @returns {Promise}
*/
function recognizer (imgPath, options) {
    options = Object.assign({psm: 7}, options);
 
    return new Promise((resolve, reject) => {
        tesseract
            .process(imgPath, options, (err, text) => {
                if (err) return reject(err);
                resolve(text.replace(/[\r\n\s]/gm, ''));
            });
    });
}

识别语言

0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
    language:
    https://github.com/tesseract-ocr/tessdata
    afr --- Afrikaans（南非荷兰语）
    amh --- Amharic（阿姆哈拉语）
    ara --- Arabic（阿拉伯语）
    asm --- Assamese（阿萨姆）
    aze --- Azerbaijani（阿塞拜疆）
    aze_cyrl --- Azerbaijani - Cyrilic（阿塞拜疆-Cyrilic）
    bel --- Belarusian（白俄罗斯）
    ben --- Bengali（孟加拉）
    bod --- Tibetan（西藏）
    bos --- Bosnian（波斯尼亚）
    bul --- Bulgarian（保加利亚语）
    cat --- Catalan; Valencian（加泰罗尼亚语; 巴伦西亚）
    ceb --- Cebuano（宿务）
    ces --- Czech（捷克）
    chi_sim --- Chinese - Simplified（中国-简体）
    chi_tra --- Chinese - Traditional（中国-繁体）
    chr --- Cherokee（切诺基）
    cym --- Welsh（威尔士）
    dan --- Danish（丹麦）
    dan_frak --- Danish - Fraktur（丹麦-Fraktur）
    deu --- German（德国）
    deu_frak --- German - Fraktur（德国-Fraktur）
    dzo --- Dzongkha（不丹文）
    ell --- Greek, Modern （1453-）（希腊，现代（1453-））
    eng --- English（英语）
    enm --- English, Middle （1100-1500)（英语，中东（1100-1500））
    epo --- Esperanto（世界语）
    equ --- Math / equation detection module（数学/方程式检测模块）
    est --- Estonian（爱沙尼亚）
    eus --- Basque（巴斯克）
    fas --- Persian（波斯）
    fin --- Finnish（芬兰）
    fra --- French（法语）
    frk --- Frankish（法兰克）
    frm --- French, Middle （ca.1400-1600)（法国，中东（ca.1400-1600））
    gle --- Irish（爱尔兰）
    glg --- Galician（加利西亚）
    grc --- Greek, Ancient （to 1453)（希腊语，古（到1453年））
    guj --- Gujarati（古吉拉特语）
    hat --- Haitian; Haitian Creole（海天; 海地克里奥尔语）
    heb --- Hebrew（希伯来语）
    hin --- Hindi（印地文）
    hrv --- Croatian（克罗地亚）
    hun --- Hungarian（匈牙利）
    iku --- Inuktitut（因纽特语）
    ind --- Indonesian（印尼）
    isl --- Icelandic（冰岛）
    ita --- Italian（意大利语）
    ita_old --- Italian - Old（意大利语-旧）
    jav --- Javanese（爪哇）
    jpn --- Japanese（日本）
    kan --- Kannada（卡纳达语）
    kat --- Georgian（格鲁吉亚）
    kat_old --- Georgian - Old（格鲁吉亚-旧）
    kaz --- Kazakh（哈萨克斯坦）
    khm --- Central Khmer（中央高棉）
    kir --- Kirghiz; Kyrgyz（柯尔克孜; 吉尔吉斯）
    kor --- Korean（韩国）
    kur --- Kurdish（库尔德人）
    lao --- Lao（老挝）
    lat --- Latin（拉丁）
    lav --- Latvian（拉脱维亚）
    lit --- Lithuanian（立陶宛）
    mal --- Malayalam（马拉雅拉姆语）
    mar --- Marathi（马拉）
    mkd --- Macedonian（马其顿）
    mlt --- Maltese（马耳他）
    msa --- Malay（马来文）
    mya --- Burmese（缅甸）
    nep --- Nepali（尼泊尔）
    nld --- Dutch; Flemish（荷兰; 佛兰芒语）
    nor --- Norwegian（挪威）
    ori --- Oriya（奥里亚语）
    osd --- Orientation and script detection module（定位及脚本检测模块）
    pan --- Panjabi; Punjabi（旁遮普语; 旁遮普语）
    pol --- Polish（波兰）
    por --- Portuguese（葡萄牙语）
    pus --- Pushto; Pashto（普什图语; 普什图语）
    ron --- Romanian; Moldavian; Moldovan（罗马尼亚; 摩尔多瓦; 摩尔多瓦）
    rus --- Russian（俄罗斯）
    san --- Sanskrit（梵文）
    sin --- Sinhala; Sinhalese（僧伽罗语; 僧伽罗语）
    slk --- Slovak（斯洛伐克）
    slk_frak --- Slovak - Fraktur（斯洛伐克- Fraktur）
    slv --- Slovenian（斯洛文尼亚）
    spa --- Spanish; Castilian（西班牙语; 卡斯蒂利亚）
    spa_old --- Spanish; Castilian - Old（西班牙语; 卡斯蒂利亚-老）
    sqi --- Albanian（阿尔巴尼亚）
    srp --- Serbian（塞尔维亚）
    srp_latn --- Serbian - Latin（塞尔维亚语-拉丁语）
    swa --- Swahili（斯瓦希里语）
    swe --- Swedish（瑞典）
    syr --- Syriac（叙利亚）
    tam --- Tamil（泰米尔）
    tel --- Telugu（泰卢固语）
    tgk --- Tajik（塔吉克斯坦）
    tgl --- Tagalog（菲律宾语）
    tha --- Thai（泰国）
    tir --- Tigrinya（提格雷语）
    tur --- Turkish（土耳其）
    uig --- Uighur; Uyghur（维吾尔族; 维吾尔）
    ukr --- Ukrainian（乌克兰）
    urd --- Urdu（乌尔都语）
    uzb --- Uzbek（乌兹别克斯坦）
    uzb_cyrl --- Uzbek - Cyrilic（乌兹别克斯坦- Cyrilic）
    vie --- Vietnamese（越南语）
    yid --- Yiddish（意第绪语）

 

最后

写完之后才发现示例中的验证码的第一个字符其实是 G，而不是识别出来的C。
默认样本对相近字符识别还是挺低的，可以搜索 tesseract 训练，提高相近字符的识别率。

资源

 

怎么升级node版本？nodejs升级的方法（Window、Linux）