Python + Tesseract-OCR识别图片文字

考试答题偶然一次需要提取图片中的文字，所以搜索了一下解决方法

测试代码如下：

from PIL import Image
import pytesseract

text=pytesseract.image_to_string(Image.open('../Demo/Chinese.png'),lang='chi_sim')
print(text)

1.第一步首先的话需安装pytesseract和Pillow库

2.然后的话安装识别引擎tesseract-ocr
地址：https://github.com/UB-Mannheim/tesseract/wiki
根据自己的需求选择其中w32表示32位系统，w64表示64位系统下载，对应的版本即可

3.下载后安装tesseract-ocr，安装后还需进行环境变量
根据自己实际的安装路径即可

TESSDATA_PREFIX
D:\应用\Tesseract-OCR\tessdata

4.然后还需修改pytesseract.py文件，在python下的Lib\site-packages\pytesseract，找到pytesseract.py并修改其中的tesseract_cmd

tesseract_cmd = r'D:\应用\Tesseract-OCR\tesseract.exe'

之后就可以运行了。

5.如果需识别中文的情况下，还需单独安装上识别引擎是无法识别中文的，需要另外下载一些东西
地址：https://github.com/tesseract-ocr/tessdata
将里面的 chi_sim.traineddata、chi_sim_vert.traineddata、chi_tra.traineddata和chi_tra_vert.traineddata文件放入tesseract-ocr的tessdata目录下

找了个图片实验了一下

总的来说不是很准确，Tesseract对手写体、行楷等飘逸的字体识别不准确，对一些复杂的字识别也有待提升。但是宋体、印刷体等笔画严谨的字体识别准确率很高。另外如果图片的倾斜大于一定的角度，识别结果也会有很大差别。