pytesseract调用Tesseract是Python爬虫轻量级OCR最可行方案，但必须显式设置tesseract_cmd路径和lang参数（如lang='chi_sim'），否则90%报错源于此；中文识别需下载chi_sim.traineddata放入tessdata目录，并确保Tesseract版本≥5.3。
直接说结论：pytesseract 调用 Tesseract 是目前 Python 爬虫中做轻量级 OCR 最可行的方案，但必须手动配好 tesseract_cmd 和 lang 参数，否则 90% 的报错都出在这两处。
pytesseract.image_to_string() 报 FileNotFoundError 或 "No such file or directory"
这是 Windows 用户最常遇到的问题——pytesseract 根本找不到 tesseract.exe。它不会自动搜索 PATH，也不会猜你的安装路径。
- 必须显式设置：
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"（路径用原始字符串，且确认该路径下真有这个文件） - Mac/Linux 用户虽然 PATH 通常生效，但如果用
brew install tesseract安装，实际路径可能是/opt/homebrew/bin/tesseract或/usr/local/bin/tesseract，建议仍显式赋值避免歧义 - 别信“安装时勾选 Add to PATH 就万事大吉”——很多新版安装器默认不勾，或勾了但没刷新当前终端/IDE 的环境变量
识别中文返回空字符串或全是乱码
根本原因不是代码写错了，而是语言包没加载成功或没指定对。
- 确认已下载
chi_sim.traineddata（简体中文），放到tessdata目录下（如C:\Program Files\Tesseract-OCR\tessdata\），不是随便哪个文件夹 - 调用时必须传
lang="chi_sim"，不能写成lang="chinese"或lang="zh"—— Tesseract 只认训练数据文件名前缀 - 如果同时需要中英文混合识别，写成
lang="chi_sim+eng"，加号不能漏，也不能用逗号或空格 - 注意：部分旧版 Tesseract（如 4.x）对
chi_sim支持不稳定，建议用 5.3+ 版本
验证码图片识别率低，预处理怎么做才有效
原图直接喂给 image_to_string() 几乎必然失败，尤其带噪点、扭曲、粘连的验证码。
Python 3.14.3
微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。
- 优先用
PIL.Image做二值化：image.convert("L").point(lambda x: 0 if x ，比 OpenCV 更轻量，适合爬虫场景 - 避免过度锐化或降噪——Tesseract 本身对边缘敏感，太“干净”的图反而丢失字形特征
- 如果图片是小尺寸（如 100×30 像素），先用
image.resize((width*2, height*2), Image.Resampling.LANCZOS)放大再识别，效果常优于原图 - 不要依赖
config="--psm 8"强行当单行文本识别——PSM 模式要按实际排版选，验证码多数用--psm 7（单行文本）或--psm 8（单字）试出来
Linux/macOS 下 apt/brew 安装后仍提示 "tesseract not found"
看似装好了，但 pytesseract 还是找不到可执行文件，常见于容器或非交互式 shell 环境。
- Ubuntu 上
apt install tesseract-ocr安装的是命令行工具，但可执行文件名是tesseract，路径通常是/usr/bin/tesseract；而某些发行版（如 Alpine）需额外装tesseract-ocr-all才含语言包 - macOS 上
brew install tesseract后，若用 zsh 且未 source ~/.zshrc，新终端可能读不到 PATH；验证方式：在运行 Python 脚本的同一 shell 中执行which tesseract - Docker 场景下，别只装
tesseract-ocr，还要 COPY 或 RUN 下载chi_sim.traineddata到镜像内/usr/share/tessdata/，否则lang="chi_sim"会静默失败
真正卡住人的从来不是代码几行，而是 tesseract_cmd 路径是否真实存在、chi_sim.traineddata 是否在正确目录、lang 参数是否拼写精确——这三个点漏一个，整个流程就停在黑屏输出空字符串上。
