python3 +windows+tesseract-orc文字识别

一、安装pytesseract

python-tesseract是python的光学字符识别（OCR）工具，它可以识别并“读取”嵌入图像的文本。安装命令：pip install pytesseract

Python-tesseract是Google的Tesseract-OCR引擎的包装器。它作为独立的调用脚本也很有用，因为它可以读取Python Imaging Library支持的所有图像类型，包括jpeg，png，gif，bmp，tiff等，而tesseract-ocr默认只支持tiff和bmp。此外，如果用作脚本，Python-tesseract将打印已识别的文本，而不是将其写入文件。

二、安装识别引擎tesseract-ocr

Tesseract是开源的OCR引擎。Tesseract最初设计用于英文识别，经过改进引擎和训练系统，它能够处理其它语言和UTF-8字符。Tesseract 3.0能够处理任何Unicode字符，但并非在所有语言上都工作得很好。Tesseract在庞大字符集语言（比如中文）上较慢，但是工作良好。  tesseract-ocr默认只支持tiff和bmp。此外，如果用作脚本，Python-tesseract将打印已识别的文本，而不是将其写入文件。 此外，安装好

下载地址：https://github.com/UB-Mannheim/tesseract/wiki ，选择对应版本下载即可。

注意：

1、安装之后，配置环境变量，将安装目录放到系统变量的path 下，这样直接可以在cmd 下，直接tesseract，输出相应信息即可

2、pycharm 需要运行的话，需要更改 pytesseract.py文件，将A 由B、C任意一个替代即可。

    A.  tesseract_cmd = 'tesseract'

    B.tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract.exe'

    C.tesseract_cmd = 'C:\\Program Files (x86)\\Tesseract-OCR\\tesseract'

3、tesseract-ocr 安装成功后，在安装目录 下的tessdata目录下，包含支持的识别的语言，其中并不包含简体中文，需要我们额外下载chi_sim.traineddata，并放在该目录下，下载地址：https://pan.baidu.com/s/1J0HNoVhX8WexS_5r0k2jDw 密码：ywc3

三、验证

选取英文和中文的图片分别进行识别

# -*-encoding=utf-8-*-
from PIL import Image
import pytesseract

path = "0003.png"
#text = pytesseract.image_to_string(Image.open(path), lang='chi_sim')
text = pytesseract.image_to_string(Image.open(path))
print(text)

输入如下图，输出QNMX                    

# -*-encoding=utf-8-*-
from PIL import Image
import pytesseract

path = "test-img.png"
text = pytesseract.image_to_string(Image.open(path), lang='chi_sim')
#text = pytesseract.image_to_string(Image.open(path))
print(text)

输入简体中文图                                                                       输出：

       

从控制台输入输出可以看到，识别的有一个准确率的存在，因为还需要对这些图片做进一步的处理，才可能得到好的结果。

作为非常优秀的Ocr识别库，tesseract当然可以训练自己的数据模型，从而达到较高的准确率。