Tesseract-OCR 入门使用

文章目录

以下只针对widows平台，linux下没有测试

tesserocr与pytesseract是Python的一个OCR识别库，但其实是对tesseract做的一层Python API封装，pytesseract是Google的Tesseract-OCR引擎包装器；所以它们的核心是tesseract,因此在安装tesserocr之前，我们需要先安装tesseract

一、Tesseract-OCR 安装

Tesseract-OCR遵循Apache 2.0 license开源协议。
官方地址：https://github.com/tesseract-ocr/tesseract

下载地址：https://digi.bib.uni-mannheim.de/tesseract/
你也可以查看源码编译安装：https://github.com/tesseract-ocr/tesseract/wiki/Downloads
或者非官方安装包：https://github.com/UB-Mannheim/tesseract/wiki

windows下安装一路next

然后双击程序安装即可，可以勾选​​Additional language data(download)​​(如上图)选项来安装OCR识别支持的语言包，但下载语言包实在是慢，我们可以直接从https://github.com/tesseract-ocr/tessdata 下载zip的语言包压缩文件，解压后将tessdata-master中的文件复制到Tesseract的安装目录C:\Program Files (x86)\Tesseract-OCR\tessdata目录下。

添加环境变量：将安装目录​​C:\Program Files (x86)\Tesseract-OCR​​ 添加到环境变量中。

这一步，我们需要选择添加语言 chinese simple

在进入安装目录，执行​​.\tesseract​​

二、测试

• 查看可用的 “语言”​​-–list-langs​​ 执行：​​tesseract --list-langs​​
• 执行​​tesseract D:\example_05.jpg D:\out​​ 默认使用英文识别，输出out.txt
• 执行​​tesseract D:\example_05.jpg D:\out -l eng​​ 指定英文识别，输出out.txt
• 执行​​tesseract D:\example_05.jpg D:\out -l eng pdf​​ 使用英文识别，输出out.pdf
• 执行​​tesseract --print-parameters​​ 查看全部参数
• 使用 -c 选项来设定单项参数的值:
  ​​tesseract D:\example_05.jpg D:\out -l chi_sim -c language_model_ngram_on=1​​
• 使用多个 -c 选项来设置多个参数的值。
  将多项参数设置写入文件，然后在识别时使用该文件:
  ​​tesseract paper.png paper -l chi_sim tess.conf​​
• 需要注意的是，如果配置文件有两个配置文件 tess_1.conf 和 tess_2.conf:
  ​​tesseract paper.png paper -l chi_sim tess_1.conf tess_2.conf​​ 以上代码确实实现了输出：不过结果糟糕，可以试一下。

三、使用

pytesseract模块进行安装请使用whl文件安装或者使用conda安装。
执行​​​pip install pytesseract​​

如果在pytesseract运行是找不到tesseract解释器，这种情况一般是在虚拟环境下会发生，我们需要将tesseract-OCR的执行文件tesseract.ext配置到windows系统中的PATH环境中，或者修改pytesseract.py文件，将其中的“tesseract_cmd”字段指定为tesseract.exe的完整路径即可。

import pytesseract
from PIL import Image


def main():
    image = Image.open("test01.png")
    text = pytesseract.image_to_string(image, lang='chi_sim')  # 使用简体中文解析图片
    print(text)
    with open("output.txt", "w") as f:  # 将识别出来的文字存到本地
        print(text)
        f.write(str(text))


if __name__ == '__main__':
    main()

报错：​​pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your path​​

# CHANGE THIS IF TESSERACT IS NOT IN YOUR PATH, OR IS NAMED DIFFERENTLY
tesseract_cmd = 'tesseract'

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

报错解决方法
或者直接如下使用方法：

import pytesseract
from PIL import Image


def picture_win(jpg_path):
    pytesseract.pytesseract.tesseract_cmd = r'D:/Program Files (x86)/Tesseract/tesseract.exe'
    p = Image.open(jpg_path)
    text = pytesseract.image_to_string(p, lang="chi_sim")
    text = str(text).replace("\n", "")
    return str(text).replace(" ", '')
picture_win()

鸣谢