python工具——Tesseract

OCR可以自动对手写或者印刷字体进行类型转化为机器编码文本字符串，供我们存取和操作

1.安装Tesseract

（1）Ubuntu16下

sudo apt-get install tesseract-ocr

验证Tesseract是否安装成功

tesseract -v

（2）windows下

下载https://digi.bib.uni-mannheim.de/tesseract/

添加到环境变量的path中

验证Tesseract是否安装成功

tesseract -v

2.用命令行进行测试

tesseract 123.png result

 

 说明：

　　第一个参数为图片名称

　　第二个参数result 为结果保存的目标文件名称

result.txt的内容

tessdata的格式：

tesseract 图片名称 生成的结果文件的名称 字库

 3.使用Python

安装pytesseract

pip install pytesseract

提取图片中的文字

from PIL import Image
import pytesseract

image = Image.open('123.png')
content = pytesseract.image_to_string(image)   # 解析图片
print(content)

4.识别汉字

下载字库

https://github.com/tesseract-ocr/tessdata

下载后放到Tesseract-OCR项目的tessdata文件夹里面

tesseract hello.png result -l chi_sim

python实现

在pytesseract 库的 image_to_string() 方法里加个参数lang='chi_sim'，这个就是引用对应的中文语言包

中文语言包的全名是 chi_sim.traineddata

from PIL import Image
import pytesseract

image = Image.open('hello.png')
content = pytesseract.image_to_string(image,lang='chi_sim')   # 解析图片
print(content)

如果识别的效果不理想，可以使用 jTessBoxEditor 提高文字识别准确率

下载https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/