tesseract图片识别引擎

图片识别引擎

1 tesseract

OCR，即Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。

tesseract下载地址1：https://digi.bib.uni-mannheim.de/tesseract/

tesseract下载地址2: https://github.com/tesseract-ocr/tesseract

Tesseract默认是不支持中文的，语言下载地址：https://github.com/tesseract-ocr/tessdata

2 tesseract安装

2.1 mac环境

执行以下命令进行安装：

brew install --with-training-tools tesseract

2.2 linux环境

执行以下命令进行安装：

sudo apt-get install tesseract-ocr

2.3 windows环境

点击下载地址会进入到下载列表页：

其中文件名中带有dev的为开发版本，不带dev的为稳定版本，可以选择下载不带dev的版本，例如可以选择下载tesseract-ocr-setup-3.05.02.exe。

下载完成后双击如下图：

此时可以勾选Additional language data(download)选项来安装OCR识别支持的语言包，这样OCR便可以识别多国语言。然后一路点击Next按钮即可

3 配置tesseract环境变量

为了在全局使用方便，比如安装路径为D:\software\Tesseract-OCR，将该路径添加到环境变量的path中。

配置完成后在命令行输入tesseract -v，如果出现如下图所示，说明环境变量配置成功

4 python库的安装

pip install Pillow
pip install pytesseract

5 识别图片

5.1 使用tesseract命令识别图片

• 使用命令：tesseract imagename outputbase
  • imagename: 第一个参数为图片名称
  • outputbase: 第二个参数result 为结果保存的目标文件名称

5.2 使用pytesseract库识别图片

然后还可以利用Python代码来测试，这里就需要借助于pytesseract库了，测试代码如下：

from PIL import Image
import pytesseract

text = pytesseract.image_to_string(Image.open(r'./test.png'))
print(text)

我们首先利用Image读取了图片文件，然后调用了pytesseract的image_to_string()方法，再将其识别结果输出。

执行报错解决方法：

报错信息如下图

找到安装的pytesseract.py文件，修改一行代码：

# tesseract_cmd = 'tesseract'
tesseract_cmd = r'D:\software\Tesseract-OCR\tesseract'

修改后保存，再去运行python代码，就可以成功了。