pytesseract 用法

Posted 2021-12-13 xdlzs

linux

1.   下载tesseract-ocr源码

git clone -b master https://github.com/tesseract-ocr/tesseract.git tesseract-ocr

 

2.   安装g++

yum install gcc gcc-c++ make

 

3.   安装autoconf automake libtool libjpeg-devellibpng-devel libtiff-devel zlib-devel

yum installautoconf automake libtool

yum installlibjpeg-devel libpng-devel libtiff-devel zlib-devel

 

4.   安装leptonica

wget http://www.leptonica.org/source/leptonica-1.76.0.tar.gz

解压后 进入目录后依次执行:

./configure

make

make install

 

编译完成后使用vim增加如下三个变量：

vim /etc/profile

 exportLD_LIBRARY_PATH=$LD_LIBRARY_PAYT:/usr/local/lib

export LIBLEPT_HEADERSDIR=/usr/local/include
export PKG_CONFIG_PATH=/usr/local/lib/pkgconfig

 

保存后执行： source /etc/profile

5.   进入第1步下载的tesseract-ocr目录依次执行如下命令：

./autogen.sh

./configure

make

make install

 

6.   安装pytesseract

pip3 installpytesseract

7.配置语言环境变量

cp /usr/share/tesseract/tessdata/*      /usr/local/share/tessdata/
vim /etc/profile
添加

export TESSDATA_PREFIX=/usr/local/share/tessdata/
export PATH=$PATH:$TESSDATA_PREFIX

 

win

 参考:https://blog.csdn.net/showgea/article/details/82656515

1. 安装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：https://digi.bib.uni-mannheim.de/tesseract/

 

进入下载页面，可以看到有各种.exe文件的下载列表，这里可以选择下载3.0版本。

 

 

 

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，此时会出现如下图所示的页面。

 

 

 

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。

 

接下来，为了在python代码中使用tesseract功能，使用pip安装pytesseract：

 

pip install pytesseract

 

2、配置环境变量
为了在全局使用方便，比如安装路径为D:\\Program Files (x86)\\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

 

 

 

3、验证安装
接下来，我们可以使用tesseract和pytesseract来分别进行测试。

 

我们以如下图所示的图片为样例进行测试。

 

 

 

该图片的链接为https://raw.githubusercontent.com/Python3WebSpider/TestTess/master/image.png，可以直接保存或下载。

 

首先用命令行进行测试，将图片下载到D盘chromeDownload文件夹，保存为image.png，然后在该文件夹中打开命令行，用tesseract命令测试：

 

tesseract image.png result 

 

运行结果如下：

 

D:\\chromeDownload>tesseract image.png result
Tesseract Open Source OCR Engine v3.05.02 with Leptonica

 

这里我们调用了tesseract命令，其中第一个参数为图片名称，第二个参数result 为结果保存的目标文件名称。

 

运行结果便是图片的识别结果：Python3WebSpider。可以在chromeDownload文件夹中看到result.txt，这时已经成功将图片文字转为电子文本了。

 

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‘D:\\chromeDownload\\image.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。

 

运行结果如下：

 

Python3WebSpider

 

如果成功输出结果，则证明tesseract和pytesseract都已经安装成功。

 

4、使用时遇到的坑
在使用tesseract命令行进行测试时，会议开始报以下的错误

 

Error opening data file \\Program Files (x86)\\Tesseract-OCR\\tessdata/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.

 

报错是意思是缺少环境变量TESSDATA_PREFIX，导致无法加载任何语言，就不能初始化tesseract。

 

解决的方法也很简单，在环境变量中添加TESSDATA_PREFIX，如下图

 

 

 

注意：变量值中的路径为“D:/Program Files (x86)/Tesseract-OCR”，使用正斜杠“/”。windows中复制过来的路径默认是反斜杠“\\”

 

配置完成后，重新打开命令行，即可正常使用。

 

第二个坑是使用pytesseract时，出现以下错误

 

Traceback (most recent call last):
  File "D:\\Python36\\lib\\site-packages\\pytesseract\\pytesseract.py", line 170, in run_tesseract
    proc = subprocess.Popen(cmd_args, **subprocess_args())
  File "D:\\Python36\\lib\\subprocess.py", line 709, in __init__
    restore_signals, start_new_session)
  File "D:\\Python36\\lib\\subprocess.py", line 997, in _execute_child
    startupinfo)
FileNotFoundError: [WinError 2] 系统找不到指定的文件。

 

During handling of the above exception, another exception occurred:

 

Traceback (most recent call last):
  File "D:/python/20180911.py", line 4, in <module>
    text = pytesseract.image_to_string(Image.open(r‘D:\\chromeDownload\\image.png‘))
  File "D:\\Python36\\lib\\site-packages\\pytesseract\\pytesseract.py", line 294, in image_to_string
    return run_and_get_output(*args)
  File "D:\\Python36\\lib\\site-packages\\pytesseract\\pytesseract.py", line 202, in run_and_get_output
    run_tesseract(**kwargs)
  File "D:\\Python36\\lib\\site-packages\\pytesseract\\pytesseract.py", line 172, in run_tesseract
    raise TesseractNotFoundError()
pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it‘s not in your path

 

这就很坑，添加了全局变量，还是提示tesseract没有安装或者不在PATH中。

 

百度了一下，解决方案如下。

 

pytesseract安装后，在python的Lib目录下site-packges下会生成一个pytesseract文件夹，文件夹中找到pytesseract.py，路径为：D:\\Python36\\Lib\\site-packages\\pytesseract，使用notepad之类软件打开pytesseract.py，找到如下两行：

 

# CHANGE THIS IF TESSERACT IS NOT IN YOUR PATH, OR IS NAMED DIFFERENTLY
tesseract_cmd = ‘tesseract‘

 

将tesseract_cmd = ‘tesseract‘修改为：tesseract_cmd = ‘D:/Program Files (x86)/Tesseract-OCR/tesseract.exe‘

 

表示tesseract_cmd配置的是你安装tesseract的绝对路径，这样就能找到tesseract了。修改后保存，再去运行python代码，就可以成功了。