tesseract-ocr的安装及使用

Posted 2020-11-25 enumx

1、下载安装包

根据https://github.com/tesseract-ocr/tesseract/wiki，我找到非官方的安装包，好像我只看到64位的安装包http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe，下载后直接安装即可，但是要记得你的安装目录，我们等会配置环境变量要用。

如果不是做英文的图文识别，还需要下载其他语言的识别包https://github.com/tesseract-ocr/tesseract/wiki/Data-Files。

简体字识别包：https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/chi_sim.traineddata

繁体字识别包：https://github.com/tesseract-ocr/tessdata/raw/4.0/chi_tra.traineddata

或者直接我的百度云盘：链接：tesseract 密码：tmdm

第二步：安装

直接执行下载好的tesseract-ocr-setup-4.0.0-alpha.20180109.exe，下一步、下一步安装。安装过程中，会让你安装额外的语言包，可根据选择下载。

第三步：配置环境变量

我的是安装在C:Program Files (x86)Tesseract-OCR，界面如下：

将“F:Tesseract-OCR”添加到环境变量中。如图：

增加一个TESSDATA_PREFIX变量名，变量值还是我的安装路径F:Tesseract-OCR essdata这是将语言字库文件夹添加到变量中;

?

使用
打开命令终端，输入：tesseract -v，可以看到版本信息

用命令tesseract --list-langs来查看Tesseract-OCR支持语言。

将命令行切换至目标图像文件目录，比如我们转换文件为test.png（图片文件允许多种格式），位于C:UsersLianDesktop est；然后在命令行中输入

tesseract test.png output_1 –l eng
【语法】:? tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]

imagename为目标图片文件名，需加格式后缀；outputbase是转换结果文件名；lang是语言名称（在Tesseract-OCR中tessdata文件夹可看到以eng开头的语言文件eng.traineddata），如不标-l eng则默认为eng。

?

打开文件output_1.txt，发现tesseract成功的将图像转换成152408。

?

遇到的问题：
问题1：

没有配置环境变量，按上面情况将环境变量配置好

问题2：

E: estdir>tesseract ttest1.png test1 -l eng?

Error opening data file Program Files (x86)Tesseract-OCR essdata/eng.traineddata?

Please make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your "tessdata" directory.?

Failed loading language ‘eng‘?

Tesseract couldn‘t load any languages!?

Could not initialize tesseract.?

?? 错误信息的关键词是tesseract_prefix的环境变量设置。

解决办法：? 找到testData所在的目录，默认情况下是在tesseract安装的目录，在环境变量中设置TESSDATA_PREFIX的环境变量为testdata所在的目录即可。 重新运行命令即可正常使用。