Python3：文字识别

1.      环境

操作系统	Win10
IDE	Eclipse (Oxygen 4.7)+ PyDev 5.9.2 (JDK1.8)
Python	3.5
Pytesseract	0.2.0
Pillow	Pillow-5.0.0-cp35-cp35m-win_amd64.whl

  

2.     安装pytesseract、pillow

    被坑死了！晚上酒足饭饱洗漱完毕，闲来无事，在网上随便看看，就看到了这么一篇博文《Python3一行代码实现图片文字识别》，能不试试吗？！ 

    看代码中导包语句，有用到pytesseract和PIL，在Python命令行试了一下，没有这两个包，那就装pytesseract吧，装PIL吧。 装pytesseract还挺顺利，在命令行pip install pytesseract就好了

    

但装PIL的时候告诉我找不到合适的版本：

    

    好吧，问一下百度吧，说是PIL只支持Python2.7，不支持Python3.x,可以装pillow支持Python3.x，仔细看了一下上面安装pytesseract时的提示信息，其实已经安装了pillow。 

    这下子敲上例子中的四行代码，就可以看到输出文字了吧？你太天真了！

  

3.      修改pytesseract.py+安装tesseract-ocr

    又报错了：

    

    继续百度吧，说是要把Python根目录\Lib\site-packages\pytesseract\pytesseract.py中的tesseract_cmd ='tesseract'改成tesseract_cmd= r'C:\Program Files (x86)\Tesseract-OCR \tesseract.exe'，改吧。 

    可是等等，我的C:\ProgramFiles (x86)\下没有Tesseract-OCR更没有tesseract.exe啊，怎么我装了pytesseract没tesseract.exe的啊，再一搜，Tesseract-OCR需要单独安装的，下了安装包安装吧。 

    装完，把tesseract_cmd也改了，满心欢喜地以为这下该搞定了，还是错，错，错……

    

4.      安装中文文字识别库

    这大晚上的，我真的好无助啊，手脚都冰凉冰凉的了，唯一陪伴我的只有百度，只能继续找她商量啊。 

    原来还缺少简体中文识别包，下了chi_sim.traineddata放到D:\Program Files(x86)\Tesseract-OCR\tessdata下，再次哆哆嗦嗦地敲下那行代码，打回车，还好还好，没报错，打印吧。

    

虽然有错字，呃，图片如下，用的是原文作者的，总算是能看到结果了，也算是大差不差的。

    

    唉，什么事情还是得自己动手试试才知道是怎么回事，所谓一行代码，原来背后这么多故事，哈！

 

5.      Eclipse中的尝试

    上面都是在 Python 命令行中试的，在 Eclipse 中创建了 PyDev Module 将之前的代码拷贝过去后运行，又报错了：

    

需要设置环境变量TESSDATA_PREFIX为tesseract-ocr的tessdata，并重启Eclipse。

    最后只想说一句，用pytesseract+tesseract-ocr的识别度并不高，而且对图片上字体变化的适应性很差，可以看一下下面两个图片识别结果对比：

     

识别结果为

    江雪

    千山鸟飞绝 , 万径人蹈灭。

    孤舟褪笠翁 , 独钓寒江雪。

    

识别结果为

    江雪

    无山恩飞纳 , 万径人医

    答翩 , 独钎銮

6.     参考文献

[1]  Python3一行代码实现图片文字识别  http://blog.csdn.net/qiushi_1990/article/details/78041375

[2] python 安装PIL (Python Imaging Library )出错Could not find a version that satisfies therequirement PIL  https://www.3sh.cc/detail-325-python_pil_image_library.html

[3]  Python pytesseract WinError 2  https://blog.csdn.net/supercooly/article/details/51314659