光学字符识别 Tesseract-OCR 的下载、安装和基本用法

OCR：即Optical Character Recognition，光学字符识别，是指检查纸或者图片上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；

Tesseract-OCR：一款由HP实验室（惠普布里斯托实验室）开发，由Google维护的开源OCR引擎，可以经过不断的训练，增强图像转换文本的能力，Tesseract-OCR 也经常被用于Python爬虫的验证码识别

1、下载安装Tesseract-OCR

官方GitHub地址：https://github.com/tesseract-ocr/

下载地址一：https://github.com/UB-Mannheim/tesseract/wiki （仅Windows操作系统，最新版本）
下载地址二：https://digi.bib.uni-mannheim.de/tesseract/ （仅Windows操作系统，历史版本）
下载地址三：https://github.com/tesseract-ocr/tesseract/wiki （其他操作系统）

以下以 V5.0.0 版本为例进行安装，双击 tesseract-ocr-w64-setup-v5.0.0-alpha.20190708.exe 安装程序，基本上一直next就OK了，注意要勾选 Additional language data(download) 安装OCR识别支持的语言包



在这里勾选 Additional language data(download) ，安装OCR识别支持的语言包，在安装语言包时会比较慢，所以建议不要全选，根据需要选择即可，若后期需要增加语言包，可在官网下载后放到Tesseract-OCR\tessdata\tessconfigs目录下即可，不同版本的对应的语言包也不同，下载地址：https://github.com/tesseract-ocr/tesseract/wiki/Data-Files#data-files-for-version-302

2、配置环境变量

依次右键【此电脑】-【属性】-【高级系统设置】-【环境变量】，在【系统变量】里找到【Path】变量，选择【编辑】-【新建】，将你的Tesseract-OCR安装路径填写进去，比如我的是：E:\Tesseract-OCR，点击确定保存即可

3、测试是否成功安装

打开cmd，输入 tesseract 会显示一些 Tesseract-OCR 相关用法提示，输入 tesseract -v 可以查看到 Tesseract-OCR 的版本信息，说明此时安装成功

4、基本用法

完整命令：tesseract 图片路径和图片名 结果路径和结果名 -l 语言
举例：tesseract F:\code\test.png F:\code\result -l eng
注意：
1、需要识别的图片要加后缀
2、结果文件名不需要加后缀，会自动加后缀，生成的是txt文件
3、-l 是英文字母l，不是数字1，language 语言的意思，不加默认英文
4、eng 表示英文，chi_sim 表示简体中文
5、将cmd切换到要识别图片的文件夹后，就不用加图片路径

在 Python 中使用：（需要安装 pytesseract 库）

import pytesseract
from PIL import Image

# 打开图片
img = Image.open('图片路径和图片名')
# 识别图片
print(pytesseract.image_to_string(img))