在win10(64位)系统下实现python的文字识别功能

本文参考了https://www.cnblogs.com/syqlp/p/5462459.html，诚挚感谢

试验目标：用python27实现文字识别OCR功能

环境：win10(64位)

     Python2.7.9

实现流程：

1． 安装pyocr

到https://pypi.python.org/pypi/pyocr/0.4.1下载pyocr-0.4.1.tar.gz

解压后，进入pyocr-0.4.1.tar.gz目录里执行下面的命令进行安装：

Python setup.py install

2． 安装PIL

针对win64位的PIL，到下面的网址下载 Pillow-2.1.0.win-amd64-py2.7.exe (md5) ：   https://pypi.python.org/packages/2.7/P/Pillow/Pillow-2.1.0.win-amd64-py2.7.exe#md5=3abe747fbbcdba151e48255b96639b69

 下载后选默认直接安装即可。

如果是32位系统，到http://www.pythonware.com/products/pil/index.htm下载安装

3． 安装tesseract-ocr

到下面网址下载：

http://jaist.dl.sourceforge.net/project/tesseract-ocr-alt/tesseract-ocr-setup-3.02.02.exe

下载后选默认直接安装。

4． 测试

测试代码如下：

  #coding=utf-8

__author__ = 'syq'

 

#https://github.com/tesseract-ocr

import sys

 

reload(sys)

sys.setdefaultencoding('utf-8')

 

import os

os.environ['NLS_LANG'] = 'SIMPLIFIED CHINESE_CHINA.UTF8'

try:

   from pyocr import pyocr

   from PIL import Image

except ImportError:

   print '模块导入错误,请使用pip安装,pytesseract依赖以下库：'

   print 'http://www.lfd.uci.edu/~gohlke/pythonlibs/#pil'

   print 'http://code.google.com/p/tesseract-ocr/'

    raiseSystemExit

tools = pyocr.get_available_tools()[:]

if len(tools) == 0:

   print("No OCR tool found")

   sys.exit(1)

print("Using '%s'" %(tools[0].get_name()))

printtools[0].image_to_string(Image.open('D:\\123.png'),lang='eng')

print tools[0].image_to_string(Image.open('D:\\3434.png'),lang='chi_sim')

#printtools[0].image_to_string(Image.open('D:\\3535.png'),lang='chi_sim')

 

123.png

3434.png

运行结果：

c:\python27\python my_ocr_test.py

Using 'Tesseract (sh)'

7364

Traceback (most recent call last):

  File"my_ocr_test.py", line 26, in

   printtools[0].image_to_string(Image.open('D:\\3434.png'),lang='chi_sim')

 File "build\bdist.win-amd64\egg\pyocr\tesseract.py", line 322,in image_to_string

pyocr.tesseract.TesseractError:(-1073741819, '')

 

可见，英文可以正确识别，可是中文识别不了。

 

网上找到的解决方法如下：

1．  下载tesseract-ocr的中文库，地址：https://codeload.github.com/tesseract-ocr/tessdata/zip/master，里面包含tesseract所有的文字库，大约1.1G，chi_sim.traineddata为简体中文库，将该文件放至C:\ProgramFiles (x86)\Tesseract-OCR\tessdata目录下。

2．  控制台切换至C:\ProgramFiles (x86)\Tesseract-OCR\tessdata，使用命令行执行：
combine_tessdata -e chi_sim.traineddatachi_sim.config
执行完后，在目录下出现chi_sim.config的文件，打开该文件；
在allow_blob_division        F这一行的前面加#，注释掉
即：#allow_blob_division        F    
然后，在执行命令行：

combine_tessdata -o chi_sim.traineddata chi_sim.config

到此在使用 chi_sim.traineddata文件就不会报read_params_file: parameternot found: allow_blob_division

当然，要使用上面的命令行，需要安装Tesseract-OCR 

以上步骤摘自http://www.cnblogs.com/syqlp/p/5460971.html，不能正确执行。不知是不是系统版本的原因。

 

至此，文字识别，已实现了英文和数字的正确识别。