Tesseract pytesseract的安装和使用

Tesseract是开源的OCR引擎，可以识别的图片里的文字，支持unicode（UTF-8）编码，100多种语言，需要下载相应语言的训练数据。

安装：

有两种方法，一种是通过编译源码，比较麻烦。我使用的是另外一种方法，在windows下，使用编译好的二进制文件。

安装文件下载地址：https://sourceforge.net/projects/tesseract-ocr-alt/files/

最新训练数据下载地址：https://github.com/tesseract-ocr/tessdata

建议使用稳定的3.0版本，我试用的4.0开发版报错。

注意选中Registry settings,也就是把Path和TESSDATA_PREFIX环境变量自动配置好。

如果要识别中文，就把中文训练数据选中。

 

使用：

安装完成之后，就可以在命令行下执行识别图片了。

命令行下执行：

  tesseract test.png stdout 

都可以识别。

但是识别中文或者是中英文混合的时候，识别率不高。

 

tesseract cs.png stdout -l eng+chi_sim

 

Python封装模块pytesseract：

tesseract有很多语言的封装包，这里只介绍下python的pytesseract。

源码地址：https://github.com/madmaze/pytesseract

可以直接使用pip安装：

pip install pytesseract

 

使用示例：

from PIL import Image
import pytesseract
print(pytesseract.image_to_string(Image.open('test.png')))
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='fra'))

 

注意事项：

需要先安装好PIL和tesseract，并且可以在命令行里可以使用。