tesseract的安装使用及配置问题解决

一、安装tesseract

• 1 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。
• 2 tesseract下载地址：

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

• 3 如下图所示，将下载之后的.exe文件进行安装。.
  
• 4 在安装的过程中，安装的路径一般是：
  C:\Program Files (x86)\Tesseract-OCR，可以不用修改。
• 5 然后一直点击next，直到下面下面这张图。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，比如可以选择math,英文，中文等。然后一路点击Next按钮即可。
  

二、配置环境变量

• 1 为了在全局使用方便，比如安装路径为：
  C:\Program Files (x86)\Tesseract-OCR，将该路径添加到环境变量的path中。

• 2 路径：高级系统设置——>环境变量——>系统变量中path路径——>将C:\Program Files (x86)\Tesseract-OCR添加进去。
  
  
  
  

• 3 配置完成后在cmd中输入tesseract -v，如果出现如下图所示，说明环境变量配置成功。
  

三、cmd方式中出现的问题及解决方法

• 1 下面，将在cmd中使用tesseract来进行文字的识别。
• 2 从网上随便找了一张英语图片，如下图所示。
  
• 3 将该图片命名为image1.jpg，然后放在G盘里面。然后使用cmd先到G盘，然后使用tesseract命令进行测试。

tesseract image1.jpg result 

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。

• 4 输入上述代码回车后，出现了以下的报错提示。

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.

• 5 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——>系统变量中添加TESSDATA_PREFIX，如下图：
  注（地址复制时是右斜杠 “\”,但是需要改成 左斜杠"/" 符号，如下图划红线处）
  
• 6 配置完成后，重新打开cmd，即可正常使用。
• 7 验证结果：
  如下图所示，使用cmd进行验证。
  

四、 pycharm方式中出现的问题及解决办法

• 1 为了在pycharm代码中使用tesseract功能，使用pip安装pytesseract：在pycharm中pip下面语句。

pip install pytesseract

• 2将图片放入pycharm所建的工程文件夹下
• 3 利用代码来测试，在pycharm中运行如下代码，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("image1.jpg"))
print(text)

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。

• 4 但是却出现了以下类似的错误。

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

• 5 解决方法：
  pytesseract安装后，在python的Lib目录下site-packges下会生成一个pytesseract文件夹，在文件夹中找到pytesseract.py，使用记事本之类软件打开pytesseract.py，找到如下：

tesseract_cmd = 'tesseract'

• 6 将tesseract_cmd = 'tesseract’修改为：
  tesseract_cmd = ‘C:/Program Files (x86)/Tesseract-OCR/tesseract.exe’
  (注意左斜杠和右斜杠)
  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。
• 7 验证结果：
  

五、验证结果

• 1，在验证的过程中，发现英文字母的识别率比较高，中文的会有些问题。
• 2，注意配置完成后，关机重启，或者关闭cmd重新打开试试。
• 3，每个人的电脑都或多或少的不一样，可能按照这种方式进行修改之后依旧不能运行。我在配置自己电脑的时候，也看了很多帖子，配置了好几遍，总是感觉很玄学，多多尝试。