内网编译安装tesseract用于OCR识别

 

需求：使用unstructured模块进行pdf内容识别及分块，需要本地安装了tesseract-ocr，以支持pytesseract

* 在Windows，可以直接安装tesseract-ocr；在Ubuntu，可以用apt install tesseract-ocr安装相关环境及依赖

 

当安装源里没有tesseract时，由于tesseract有很多依赖包，直接用deb包或者rpm包等安装包安装很复杂，不一定能成功安装。

用本地编译的方式安装会方便很多。 ——参考博客1、2、3

 

1. 编译需要满足的基础的依赖环境（系统不一定都有，需要检查一下）

yum install -y autoconf automake libtool libjpeg* libpng* libtiff* zlib*  gcc gcc-c++ # 以centos系统为例

 

2. 安装Leptonica（tesseract要用）

　　去Leptonica网站下载源码，解压。下面以1.82.0的版本为例。

tar -xzvf leptonica-1.82.0.tar.gz
cd leptonica-1.82.0
./autogen.sh
./configure --prefix=/usr/local/leptonica
make  -j 8 && make install

　　将Leptonica添加环境变量，编辑 /etc/profile，并添加下列内容：

export LD_LIBRARY_PATH=/usr/local/lib
export LIBLEPT_HEADERSDIR=/usr/local/include
export PKG_CONFIG_PATH=/usr/local/lib/pkgconfig

　　再使配置的环境变量生效

source /etc/profile # 刷新配置

 

3.  编译安装Tesseract-OCR

　　从GitHub官网下载源码，解压并编译安装。

tar -xzvf tesseract-5.4.1.tar.gz
cd tesseract-5.4.1
./autogen.sh    　　　　　　　　　　　　　　　　# 必须先运行autogen.sh文件才会有configuer文件
./configure --prefix=/usr/local/tesseract  # 编译安装到指定文件夹
make -j 8 && make install

 　　更新环境变量，为/etc/profile添加如下内容

PATH=$PATH:/usr/local/tesseract/bin
export TESSDATA_PREFIX=/usr/local/tesseract/share/tessdata    # 该变量必须有
export PATH=$PATH:$TESSDATA_PREFIX

source /etc/profile

　　测试安装结果

tesseract -v
# 输出应该如下
tesseract {version}
leptonica-{version}
libjpeg 6b (libjpeg-turbo {version}) : libpng {version}: libtiff {version} : zlib {version} : libwebp {version}
Found AVX2
Found AVX
Found FMA
Found SSE

* 其中libjpeg、libpng、libtiff等不全也不要紧，还是看最终的使用效果

 

4. 获取字符集

　　有了字符集，OCR才能根据字符集识别具体的文字。

　　从Tessdata获取字符集：eng.traineddata，chi_sim.traineddata，chi_sim_vert.traineddata，添加到 /usr/local/tesseract/share/tessdata/ 目录下。

tesseract --list-langs # 查看支持的语言