Python下Tesseract Ocr引擎及安装介绍

Posted 2020-07-19 朝花夕拾

1、Tesseract介绍

tesseract 是一个google支持的开源ocr项目，其项目地址：https://github.com/tesseract-ocr/tesseract，目前最新的源码可以在这里下载。

实际使用tesseract ocr也有两种方式：1- 动态库方式 libtesseract  2  - 执行程序方式 tesseract.exe

由于本人也是python菜鸟一个，所以方式1暂时不会，只好采取方式2。

 

2、Tesseract安装包下载

Tesseract的release版本下载地址：https://github.com/tesseract-ocr/tesseract/wiki/Downloads，这里需要注意这一段话：

Currently, there is no official Windows installer for newer versions.

意思就是官方不提供最新版windows平台安装包，只有相对略老的3.02.02版本，其下载地址：https://sourceforge.net/projects/tesseract-ocr-alt/files/。

最新版3.03和3.05版本，都是三方维护和管理的安装包，有好几个发行机构，分别是：

3rd party Windows exe\'s/installer

• binaries compiled by @egorpugin (ref issue # 209)https://www.dropbox.com/s/8t54mz39i58qslh/tesseract-3.05.00dev-win32-vc19.zip?dl=1

  You have to install VC2015 x86 redist from microsoft.com in order to run them. Leptonica is built with all libs except for libjp2k.

• https://github.com/UB-Mannheim/tesseract/wiki

• http://domasofan.spdns.eu/tesseract/

 

总结一下：

1、官方发布的3.02版本下载地址：http://downloads.sourceforge.net/project/tesseract-ocr-alt/tesseract-ocr-setup-3.02.02.exe?r=https%3A%2F%2Fsourceforge.net%2Fprojects%2Ftesseract-ocr-alt%2Ffiles%2F&ts=1464880498&use_mirror=jaist

2、德国曼海姆大学发行的3.05版本下载地址，http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-3.05.00dev.exe

3、Simon Eigeldinger (@DomasoFan) 维护的另一个版本：http://3.onj.me/tesseract/，值得称道的是，这个网址里还有一个比较详细的说明。

以上版本如果在下载时发现无法下载，可以首先试试迅雷，其次，可能就需要FQ了。

本人使用的是官方发布的3.02版本，也就是链接1.

 

3、Tesseract ocr使用说明

安装之后，默认目录C:\\Program Files (x86)\\Tesseract-OCR，你需要把这个路径放到你操作系统的path搜索路径中，否则后面使用起来会不方便。

在安装目录C:\\Program Files (x86)\\Tesseract-OCR下可以看到 tesseract.exe这个命令行执行程序。

tesseract语法如下：

例如：tesseract 1.png output-l eng -psm 7 ，表示采取单行文本方式，使用英语字库识别1.png这个图片文件，识别结果输出到当前目录output.txt文件中。

 1 D:\\python\\lnypcg\\test>tesseract
 2 Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
 3 
 4 pagesegmode values are:
 5 0 = Orientation and script detection (OSD) only.
 6 1 = Automatic page segmentation with OSD.
 7 2 = Automatic page segmentation, but no OSD, or OCR
 8 3 = Fully automatic page segmentation, but no OSD. (Default)
 9 4 = Assume a single column of text of variable sizes.
10 5 = Assume a single uniform block of vertically aligned text.
11 6 = Assume a single uniform block of text.
12 7 = Treat the image as a single text line. #-psm 7 表示用单行文本识别
13 8 = Treat the image as a single word.
14 9 = Treat the image as a single word in a circle.
15 10 = Treat the image as a single character.
16 -l lang and/or -psm pagesegmode must occur before anyconfigfile. #-l eng 代表使用英语识别
17 
18 Single options:
19   -v --version: version info
20   --list-langs: list available languages for tesseract engine

 

 

4、Tesseract ocr使用实例

 

现在有一个经过灰度处理之后的验证码文件，在命令行中调用tesseract.exe实现默认，并把识别出来的文本输出到output.txt文本文件中。

（如何灰度处理，在python里可以使用PIL库，先挖个坑，下次写。）

 1 D:\\python\\lnypcg\\test>dir
 2  驱动器 D 中的卷没有标签。
 3  卷的序列号是 36D9-CDC7
 4 
 5  D:\\python\\lnypcg\\test 的目录
 6 
 7 2016-06-02  23:28    <DIR>          .
 8 2016-06-02  23:28    <DIR>          ..
 9 2016-06-02  22:02               462 1.png
10                1 个文件            462 字节
11                2 个目录 25,733,357,568 可用字节
12 
13 D:\\python\\lnypcg\\test>tesseract 1.png output -l eng
14 Tesseract Open Source OCR Engine v3.02 with Leptonica
15 
16 D:\\python\\lnypcg\\test>type output.txt
17 7572
18 
19 
20 D:\\python\\lnypcg\\test>

 

总结，tesseract是一个挺不错的OCR引擎，目前的问题是最新的中文资料相对较少，过时、不准确的信息偏多，把这几天的琢磨的结果分享给大家，希望对大家有所帮助。