OCR识别-python版（一）

需求：识别图片中的文字信息
环境：windows系统

开发语言：python

使用工具类：1.pyocr
　　　　　　2.PIL
　　　　　　3.tesseract-ocr

步骤：

1.pyocr

网络通直接使用命令：
pip install pyocr

网络不通，转至https://pypi.python.org/pypi/pyocr/0.4.1下载安装

2.安装pil
网络通直接使用命令：
pip install PIL

网络不通，转至http://www.pythonware.com/products/pil/index.htm下载安装

3.安装tesseract-ocr

http://jaist.dl.sourceforge.net/project/tesseract-ocr-alt/tesseract-ocr-setup-3.02.02.exe

exe文件，下载后直接安装，建议默认安装过程中的选项，安装目录默认C:\Program Files (x86)\Tesseract-OCR，（尝试安装D盘后，在cmd中调用可以，但是在python中会出现找不到tesseract的配置目录的问题，后续再研究）

 

代码：

# coding=utf-8
__author__ = 'syq'

#https://github.com/tesseract-ocr
import sys

reload(sys)
sys.setdefaultencoding('utf-8')

import os
os.environ['NLS_LANG'] = 'SIMPLIFIED CHINESE_CHINA.UTF8'
try:
    from pyocr import pyocr
    from PIL import Image
except ImportError:
    print '模块导入错误,请使用pip安装,pytesseract依赖以下库：'
    print 'http://www.lfd.uci.edu/~gohlke/pythonlibs/#pil'
    print 'http://code.google.com/p/tesseract-ocr/'
    raise SystemExit
tools = pyocr.get_available_tools()[:]
if len(tools) == 0:
    print("No OCR tool found")
    sys.exit(1)
print("Using '%s'" % (tools[0].get_name()))
print tools[0].image_to_string(Image.open('D:\\123.png'),lang='eng')
print tools[0].image_to_string(Image.open('D:\\3434.png'),lang='chi_sim')
#print tools[0].image_to_string(Image.open('D:\\3535.png'),lang='chi_sim')

文件内容：

123.png

3434.png

输出：

Using 'Tesseract (sh)'
7364
求彰只另UoCR第 1代

 

可以看到，在使用英文字库（eng）情况下，对数字识别挺准确的，但是在使用中文简体字库(chi_sim)情况下，对中文文字识别结果有点不尽人意。

 

在整个过程中可能会遇到的问题

1.如果控制台直接输出：“No OCR tool found”，说明未成功安装tesseract-ocr，debug查看get_available_tools，在该方法中回去查看本机已经安装有的ocr识别库，有三种，

libtesseract,
tesseract,
cuneiform,

 本文使用的是第二种tesseract，

tesseract具体安装请转至。

2.在识别带中文的图片，会遇到报“allow_blob_division”的错误，

需要下载tesseract-ocr的中文库，地址：https://codeload.github.com/tesseract-ocr/tessdata/zip/master，里面包含tesseract多有的文字库，chi_sim.traineddata为简体中文库，将该文件放至C:\Program Files (x86)\Tesseract-OCR\tessdata目录下接下来的具体处理方法，转至：http://www.cnblogs.com/syqlp/p/5460971.html