shell脚本

创建install_tesseract.sh，注意：windows和linux的换行不一致，就是\n\r和\n的问题，所以建议在linux里编写。

echo -e "\033[31m###### start  install require  tools........###\033[0m"
yum install -y automake autoconf libtool gcc gcc-c++  &> /dev/null
yum install -y libpng-devel libjpeg-devel libtiff-devel unzip &> /dev/null
echo -e "\033[32m####tools  install complete!\033[0m"
echo -e "\033[31m####start download  leptonica-1.72,waiting........\033[0m"
wget http://www.leptonica.org/source/leptonica-1.72.tar.gz 
echo -e "\033[32m#############download  completed!########\033[0m"
tar xvzf leptonica-1.72.tar.gz  &> /dev/null
cd leptonica-1.72/
echo -e "\033[31m \033[05m######start  install leptonica..........\033[0m"
./configure &> /dev/null
make && make install  &> /dev/null
echo -e "\033[32m###leptonica   installed  completed!!\033[0m"
cd ../
echo -e "\033[31m###start  download  tesseract-ocr,wait........\033[0m"
wget -O 3.04.zip https://github.com/tesseract-ocr/tesseract/archive/3.04.zip
echo -e "\033[32m###########tesseract-ocr  download  completed!!\033[0m"
unzip 3.04.zip  &> /dev/null
cd tesseract-3.04/
echo -e "\033[31m \033[05m####start install tesseract-ocr,waiting.....\033[0m"
./configure  &> /dev/null
make && make install  &> /dev/null
sudo ldconfig
echo -e "\033[32m#############tesseract-ocr   install   completd!!!!!!!!\033[0m"
cd ../

代码中的参数

pytesseract.image_to_string(image,lang="chi_sim+eng",config="-psm 7 digits")

参数含义：

• image：将要识别图片对象
• lang：文字识别库的名字（代码内是中文简体+英文数字）
• config：配置，下面会有对-psm的解释，digits是对识别内容的限制文件，可以自己改写和指定特定文件

语言包：

语言包在

/usr/local/share/tessdata

内，把下载好的语言包放这里就好了

-psm（代码中为7）：

• 0：定向脚本监测（OSD）
• 1： 使用OSD自动分页
• 2 ：自动分页，但是不使用OSD或OCR（Optical Character Recognition，光学字符识别）
• 3 ：全自动分页，但是没有使用OSD（默认）
• 4 ：假设可变大小的一个文本列。
• 5 ：假设垂直对齐文本的单个统一块。
• 6 ：假设一个统一的文本块。
• 7 ：将图像视为单个文本行。
• 8 ：将图像视为单个词。
• 9 ：将图像视为圆中的单个词。
• 10 ：将图像视为单个字符。

digits 配置：

文件在

/usr/local/share/tessdata/configs/digits

将digits复制一份，改名为：shuzi，表示增加一份仅识别数字规则的配置

使用文字编辑工具，打开文件shuzi

在tessedit_char_whitelist 后面跟随要识别的字符

例如

tessedit_char_whitelist 0123456789

将刚才的代码改成

pytesseract.image_to_string(image,lang="eng",config="-psm 7 shuzi")

就可以只识别数字了
语言包在/usr/local/share/tessdata内，把下载好的语言包放这里就好了
这里已经安装完了 但是现在还没有数据集，未完待续。。。