Mac下Tesseract-OCR文字识别新手使用入门

引

最近要倒腾一下文字识别，直接上手iOS的识别遇到了一些困难，于是决定先在Mac上做一做，会比较简单。

有一个经常听到的词汇叫做OCR，OCR是什么呢？Optical Character Recognition，光学字符识别，是图片文字识别的官方学术名称。

要做这么一个听起来比较复杂的事情，如果有现成的开源框架那是最好的，如果你大致了解一下，就会发现开源界Tesseract是用的最多的，也是大多数接触这个领域的人最开始拿来练手的东西。简单介绍一下Tesseract的历史，其最早由HP实验室在1985年研发，10年后，也就是1995年已经是业内最准确的识别引擎之一了，但是HP后来放弃了OCR业务，不过好消息是后来HP决定反正不用，不如开源出来，所以2005年，又是10年后，Tesseract开源了，并且委托Google进行改进、优化的工作。

所以现在一说Tesseract往往看到的都是说Google的框架，其实还有这么一段历史在其中。

准备工作

要在Mac下用Tesseract，肯定要进行安装，安装Tesseract之前，我们需要做一些准备工作。

Xcode Command Line Tool

首先安装Xcode Command Line Tool，Command Line Tool是Xcode中的一款工具，从App Store下载Xcode之后，默认没有安装Command Line Tool，安装之后就可以在终端命令行中运行一些C程序。

安装方法很简单，打开终端输入：xcode-select --install，会弹出确认窗口：

image.png

直接点击安装就可以了，一段时间之后就安装好了，有进度条显示，十几分钟吧。检查是否安装成功的方法是再次在终端输入上述命令，会提示已经安装过了，或者在Xcode新建工程，选择macOS下，会多出一个Command Line Tool：

image.png

MacPorts

平常我们安装Mac上的软件，常用的两种方式是App Store和dmg，除此之外，还可以用MacPorts来安装，它就像apt-get、yum一样，可以通过命令行快速安装一些软件，很方便，类似于我们通过命令行用cocoapods来安装第三方开发库。

进入MacPorts的官网：http://www.macports.org/

image.png

下载安装包后安装它，可能会要求重启mac。

我们主要用来安装Tesseract，其他的用法大家可以自己慢慢发掘。

安装Tesseract

准备工作完毕后，就可以安装Tesseract了。

打开终端输入：sudo port install tesseract

会要求输入电脑密码，mac终端中输入密码是看不到的，只管输入就好。

然后等待它自个去安装一大堆依赖和Tesseract。安装完后可以检查一下是否安装成功，终端输入tesseract后回车，会出来一些信息和一些配置方式，或者输入tesseract -v，会显示安装的Tesseract版本信息，目前（2017.6.1）MacPorts安装的Tesseract版本是3.04.01，不过此时github上，包括cocoapods上最新的版本已经是4.0了 。

这时候是不是可以跑Tesseract了呢？还不行，因为Tesseract是一款OCR引擎，要识别文字，一定要有语言库，Tesseract能够识别100多种语言，语言库是比较大的，它不会一开始就都帮你安装了，需要你按需安装，它甚至连英语语言包都没有默认安装，但是运行程序是必须要安装好英语语言包的，注意，是运行程序，不是识别英语，我觉得这一点特别奇怪，如果你必须要那就直接默认自带啊...所以我们还要安装语言包。

还是在终端，输入命令：sudo port install tesseract-<语言包名>，MacPorts支持的语言包名可以在MacPorts tesseract page查看。

注意上面命令中的尖括号并不需要输入，如果你在命令行中包括了尖括号，会显示：

-bash: syntax error near unexpected token `newline'

尖括号是命令行命令的一种习惯表示方法，表示这里要被替换掉。比如我们在网页中找到英语语言包的名称：

image.png

那实际上我们需要输入的命令是：sudo port install tesseract-eng

顺便我们可以把中文语言包也给装了，简体中文的名称是"chi_sim"，所以命令是：sudo port install tesseract-chi_sim

至此，Tesseract安装完毕，可以开始体验神奇了。

使用Tesseract

使用Tesseract同样是通过命令行的方式。先准备一张图片，然后通过命令行进入该图片存放的位置（用cd命令）。

Tesseract的命令格式为：

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

其中有几个参数：

imagename是你要识别的图片的名字，不需要打引号，直接输入即可。

outputbase是输出结果文件的名字，不需要文件类型后缀，就是txt，这个参数就是txt的文件名。

lang是要用的语言代码，默认是英语，如果你要识别中文，就写 -l chi_sim，如果你要中英都识别，用 + 号把语言代码连起来：-l chi_sim+eng。

pagesegmode是用来识别的模式，之前输入tesseract命令时应该也看到了，包含这些模式：

• 0 = Orientation and script detection (OSD) only.
• 1 = Automatic page segmentation with OSD.
• 2 = Automatic page segmentation, but no OSD, or OCR
• 3 = Fully automatic page segmentation, but no OSD. (Default)
• 4 = Assume a single column of text of variable sizes.
• 5 = Assume a single uniform block of vertically aligned text.
• 6 = Assume a single uniform block of text.
• 7 = Treat the image as a single text line.
• 8 = Treat the image as a single word.
• 9 = Treat the image as a single word in a circle.
• 10 = Treat the image as a single character.

现在可以开始演练了。

准备一张英文图片，比如：

image.png

放在下载目录，命令行 cd Downloads 进入下载目录，然后输入：

tesseract test.png out

识别完成后会在下载目录多处一个out.txt的文件，里面包含识别出的文字：

image.png

英文还是比较准的。

下面我们来识别中文，准备一张中文图片：

image.png

输入：

tesseract test.png result -l chi_sim

也可以正确识别出来（识别后的文件为result.txt）：

image.png

惊不惊喜，意不意外。但是，别看这里都识别出来了，其实中文识别率并不高，越简单、间隔越大、字体越大就识别的越好，如果是：

image.png

那么识别结果就崩了：

image.png

那怎么办呢，折腾了一圈，结果识别出来是这个鬼样子，机器就是厉害，懂这么多我不认识的字。

Tesseract用来识别英语或者类似的文字比较厉害，但是识别汉字这种象形文字就比较差了，不过还有得救，我们可以训练它，这就是Tesseract训练相关的知识了，之后再讲。

结

通过这篇文章，即使一个纯新手应该也可以顺利感受到文字识别的神奇了，但是要想效果更好，路还很长，共同学习吧。

---

查看作者首页