【每日随记】Tesseract 文字识别搭建

简介

Tesseract是一个开源OCR（Optical Character Recognition）引擎，由HP实验室开发并在2005年至2006年之间作为开源软件发布，Tesseract能够将图像文件中的文本转换为可编辑和可搜索的文本格式，支持多种语言的识别，并且在处理低质量图像时表现出色，目前Tesseract已成为最受欢迎的OCR引擎之一，被广泛应用于各种应用领域，如数字化档案管理、自然语言处理、机器人技术等。

Github项目

Tesseract下载

安装步骤

下载好Tesseract后，傻瓜式安装很简单的一直下一步就行。

留意下这个路径要放在一个你知道的地方，现在可以复制下路径，因为要添加环境变量。（可参考以下）
系统变量：PATH 添加 D:\Tesseract-OCR
系统变量: TESSDATA_PREFIX 添加 D:\Tesseract-OCR\tessdata

完成以上步骤后，到终端输入以下命令。

tesseract -v

出现以上图片效果就证明安装成功了。

tesseract E:\Desktop\5.png E:\Desktop\1.txt

我这里截取了一张tesseract历史发展介绍，用这个作为例子进行识别。

Py3使用

pip install pytesseract

from PIL import Image
import pytesseract

image = Image.open(r'E:\Desktop\5.png')
# result = pytesseract.image_to_string(image,'chi_sim') # 指定模型'chi_sim'是中文语言包 需要自行下载
result = pytesseract.image_to_string(image)
print(result)

中文语言包

下载好的中文语言包，放入tesseract安装目录里的tessdata文件夹中，就可以进行中文识别了。