SikuliX学习笔⑤sikulix的中文OCR功能

sikulix具有OCR功能，可以识别显示屏上显示的字符，但是默认设置仅能识别英文字符，并不支持识别简体中文字符。
经过网上查找资料及不断尝，终于找到了sikulix成功识别中文字符的方法，具体步骤如下。

1.使用sikulix OCR功能

Sikulix自带英文字符OCR功能。
例如，您可以使用以下语法通过OCR从目标图像读取字符，并将OCR执行结果保存在名为str的变量中。

使用text()方法，sikulix只需一行就可以识别图片中的英文字符。准确率还可以，以上“my name is camel2014”字符的识别结果只有一个字符0，识别成了字符e。

2.问题：sikulix的OCR默认只支持英文字符及数字

我们再用以上方法识别一段中文。

以上中英文混合字符的识别结果中中文字符一个也没能识别成功。可见，sikulix本身不支持中文字符OCR。
但是在日常自动化工作中，我们非常需要中文OCR功能，怎么办？

3.如何让sikulix支持中文OCR

经网上查阅资料，得知安装sikulix后，默认OCR只包括英文数据包，不包括中文数据包。
因此，要实现中文ocr，就必须包括中文OCR数据包！ sikulix使用“ Tesseract”作为OCR引擎。
在Tesseract中，准备了英语以外的各种语言的ocr学习数据包。我们只要将中文的的ocr数据包下载并在sikulix中进行正确设置，就可以实现中文OCR。

4.Tesseract 中文OCR数据包导入sikulix的步骤

1. https://github.com/tesseract-ocr/tessdata下载或网上百度搜索（关键字chi_sim.traineddata）Tesseract中文数据包chi_sim.traineddata。
   2)安装数据包到sikulix相关文件夹下。对于windows系统将chi_sim.traineddata文件拷贝到C:\Users\（用户名）\AppData\Roaming\Sikulix\SikulixTesseract\tessdata文件夹下。
   我测试的文件路径如下：
   
   3)经过以上2个步骤，就完成了中文OCR数据导入sikulix的设置。重新启动sikulix，现在可以让sikulix进行中文OCR。

5.sikulix中文OCR示例代码

import sys
reload(sys)
#设置默认字符编码为utf-8,中文字符是utf-8的一部分。
sys.setdefaultencoding("utf-8")
tr = TextOCR.start()
#设置识别语言为简体中文
tr.setLanguage("chi_sim")
str=find("1592755560273.png").text()
print(str)

result=str.replace(" ","")
print(result)

代码截图

6.识别后的字符串处理

注意观察以上sikulix中文OCR字符的识别结果：在识别的第一个中文字符之间默认加了一个空格，多此一举！我们需要进行字符串操作或处理以删除空格，如上，我使用了replace函数去空格。
另外，OCR识别准确率不可能保证100%准确，尤其是对于手写字符，因此我们还要进行后期的人工校对。

7.总结

在日常RPA操作的中，很多情况下我们都需要使用中文OCR功能改进操作。因此，这次我详细记录了如何设置sikulix增加其对中文字符的OCR功能。
sikulix默认安装不支持中文，因为默认只安装了英文的OCR数据包。但是，我们可以通过下载和放置中文ocr数据包及在代码中指定识别中文的参数来实现中文OCR功能。