官方链接：
官方网站：https://github.com/tesseract-ocr/tesseract
官方文档：https://github.com/tesseract-ocr/tessdoc
语言包地址：https://github.com/tesseract-ocr/tessdata
下载地址：https://digi.bib.uni-mannheim.de/tesseract/
一、介绍
Tesseract，一款由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。
二、安装过程
1、 下载地址在本文章顶部，注意尽量不要下载带dev，alpha，beta等版本，这些版本不稳定，也可能是测试版本。建议下载最新稳定版本：
tesseract-ocr-w64-setup-v5.0.0.20190623.exe。
2、 安装过程可以附带选择要安装的语言包，如下简体中文，之后自动会从服务器下载该语言包下来。（这里不建议勾选下载语言包，因为速度太慢了，教程后面会介绍怎么拓展语言包。如果有开梯子的话，请忽略括号内这段话）
勾选要拓展的语言包
3、 设置环境变量
添加环境变量
4、检查查看是否安装成功
命令行窗口检查是否安装完成
三、拓展语言包
在文章顶部找到语言包地址的链接，下载需要的的语言包，如下图，红框内为中文简体语言包，下载后将该包直接放在程序安装目录的tessdata文件夹里面即可。
中文简体包
命令行使用 tesseract --list-langs命令可查看当前软件支持的语言：
查看支持语言
四、python实例
测试图
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
__author__ = '孙思锴'
import pytesseract
from PIL import Image
file = r"E:\桌面\静夜思.png"
# 建议图像识别前，先对图像进行灰度化和 二值化，以提高文本识别率
# image = Image.open(file)
# Img = image.convert('L') # 灰度化
# #自定义灰度界限，这里可以大于这个值为黑色，小于这个值为白色。threshold可根据实际情况进行调整(最大可为255)。
# threshold = 180
# table = []
# for i in range(256):
# if i < threshold:
# table.append(0)
# else:
# table.append(1)
# photo = Img.point(table, '1') #图片二值化
# #保存处理好的图片
# photo.save(newfile)
image = Image.open(file)
# 解析图片，lang='chi_sim'表示识别简体中文，默认为English
# 如果是只识别数字，可再加上参数config='--psm 6 --oem 3 -c tessedit_char_whitelist=0123456789'
content = pytesseract.image_to_string(image, lang='chi_sim')
print(content)
识别效果
识别效果一般，但是有Tesseract优点，那就是语言包可以进行训练，建议先训练再使用会好一点。
五、问题总结：
如果运行后出现下面提示，找不到tesseract路径：
pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your PATH. See README file for more information.
解决方案有两种：
1、 将tesseract安装目录添加至电脑的环境变量。
2、 在代码中指定tesseract的路径
pytesseract.pytesseract.tesseract_cmd = r"D:\Program Files\Tesseract-OCR\tesseract.exe"
网友评论