Tesseract-OCR 下载安装和使用

一、简介

Tesseract是一个 由HP实验室开发 由Google维护的开源的光学字符识别（OCR）引擎，可以在 Apache 2.0 许可下获得。它可以直接使用，或者（对于程序员）使用 API​​ 从图像中提取输入，包括手写的或打印的文本。

与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强；

训练的大致流程：安装jTessBoxEditor -> 获取样本文件 -> Merge样本文件 –> 生成BOX文件 -> 定义字符配置文件 -> 字符矫正 -> 执行批处理文件 -> 将生成的 traineddata 放 入tessdata 中。

如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。

二、下载

以下是关于Tesseract的常用网址
下载地址：https://digi.bib.uni-mannheim.de/tesseract/
官方网站：https://github.com/tesseract-ocr/tesseract
官方文档：https://github.com/tesseract-ocr/tessdoc
语言包地址：https://github.com/tesseract-ocr/tessdata

注意事项:
1.尽量不要下载dev(开发中的版本)，alpha(内部测试版,一般不向外部发布,会有很多Bug)，beta(公测版本，即针对所有用户公开的测试版本)等版本。

2.建议下载最新稳定版本：
tesseract-ocr-w64-setup-v5.0.0.20190623.exe 2019-06-23 11:30 38M

三、安装

1.开始安装

2.许可协议

3.选择要安装的用户

4.选择附带要安装的语言包

此后会在安装过程中会自动从服务器下载该语言包。（这里不太建议勾选下载语言包，因为下载速度实在太慢。本教程后续会介绍如何拓展语言包，但如果已经的话，可以忽略这个建议。）

5.设置安装目的地址，后续设置环境变量时需要用到。

6.选择要创建程序快捷方式的启动菜单文件夹,一般默认即可

7.完成安装

四、设置环境变量

1.设置环境变量

进入环境变量中，在path中新建tesseract的安装路径使用win+r弹出“运行”命令框，输入sysdm.cpl打开系统属性。

2.在“高级”中打开“环境变量”

3.在“系统变量”中找到“Path"，双击进入

4.加入安装过程中设置的地址

之后连续点击确定三次，依次关闭这三个窗口。

五、安装检验及语言包拓展

1.查看是否安装成功

打开cmd，输入tesseract -v回车，若显示版本号即为安装成功。

2.查看已经安装的语言

在cmd中输入tesseract --list-langs回车，若显示版本号即为安装成功。

3.拓展语言包

在下载步骤中找到语言包地址的链接，下载所需要的的语言包，如图


下载后将该包直接放在程序安装目录的tessdata文件夹中里面即可，如图

六、Python实例运用

1.测试样图

2.测试代码

import pytesseract
from PIL import Image


def demo():
    # 打开要识别的图片
    image = Image.open('D:/Programming_development/Python/material/横渠四句.png')
    # 使用pytesseract调用image_to_string方法进行识别，传入要识别的图片，lang='chi_sim'是设置为中文识别，
    text = pytesseract.image_to_string(image, lang='chi_sim')
    
    #输入所识别的文字
    print(text)


if __name__ == '__main__':
    demo()

3.测试结果