Tesseract-ocr 安装与使用

Tesseract（识别引擎），一款由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，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；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。

 

Tesseract-ocr安装很容易，在网上找到下载地址直接下载安装就可以，安装过程中需要  注意的是语言模块（根据自己的需要选择需要安装的语言包，建议安装中文简体和中文繁体），注意记住自己安装的路径

安装完成之后需要配置环境变量，配置完环境变量之后可以在cmd命令行中输入tesseract验证Tesseract-ocr能否使用。

除了需要配置Tesseract-ocr文件的环境变量外，还需要配置Tesseract-ocr文件下的tessdata（语言包）的环境变量。

 

像下面这样就代表安装成功，并可以使用了。

 

将命令行切换至目标图像文件目录，比如我们转换文件为test.png（图片文件允许多种格式），位于C:\Users\Lian\Desktop\test；然后在命令行中输入

tesseract test.png output_1 –l eng

【语法】:  tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]

imagename为目标图片文件名，需加格式后缀；outputbase是转换结果文件名；lang是语言名称（在Tesseract-OCR中tessdata文件夹可看到以eng开头的语言文件eng.traineddata），如不标-l eng则默认为eng（英语）。

 

原有图片

 

运行效果如下：

 

接下来是在python环境中使用Tesseract-ocr

需要安装PIL包和Pillow包以及pytesseract模块

安装完pytesseract模块后，找到该模块，在pytesseract.py文件中修改以下字段为你的Tesseract-OCR文件下的tesseract.exe可执行文件。

tesseract_cmd = r'C:\Program Files (x86)\Tesseract-OCR\tesseract.exe'

 

 

错误：pytesseract.pytesseract.TesseractError: (1, 'Error opening data file \\Program Files\\Tesseract-OCR\\tessdata/eng.traineddata')

在py文件中指定tessdata_dir

testdata_dir_config = '--tessdata-dir "C:\\Program Files (x86)\\Tesseract-OCR\\tessdata"'
textCode = pytesseract.image_to_string(img, config=testdata_dir_config)

问题解决

 

出现这个报错

FileNotFoundError: [WinError 2] 系统找不到指定的文件。

 

修改pytesseract.py文件里的tesseract_cmd 

tesseract_cmd = 'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'

问题解决