python爬虫学习：tesseract之实现图片里文字的识别

1. Tesseract基础

1.1 Tesseract简介

Tesseract是一个将图像翻译成文字的OCR（光学文字识别），目前由google赞助。它是目前公认最优秀、最准确的开源OCR库，具有很高的识别度，也具有很高的灵活性，可以通过训练识别任何字体

1.2 Tesseract安装

• window安装
  • 安装完成后，如果想要在命令行中使用Tesseract，需要设置环境变量，在window下吧tesseract.exe所在的路径添加到path环境变量中
• Mac安装，有四种方式：
  • brew install --with-training-tools tesseract——安装tesseract， 同时安装训练工具
  • brew install --all-languages tesseract——安装tesseract，同时它还会安装所有语言
  • brew install --all-languages --with-training-tools tesseract——安装附加组件
  • brew install tesseract——安装tesseract，但是不安装训练工具
• Mac安装brew命令
  • 终端内输入：/usr/bin/ruby -e “$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)”，下载过程中需要输入电脑密码

1.3 Tesseract使用

基本命令：tesseract 图片路径 文件路径

tesseract demo.jpeg result

1.4 下载语言库

这里可以根据自己的需求来下载所需要的语言库，例如chi_sim.traineddata为简体中文：
下载地址：https://github.com/tesseract-ocr/tessdata
将chi_sim.traineddata下载后，需要将它放在tesseract安装路径下的share/tessdata目录下

---

2. Tesseract在Python中的使用

• 安装模块：pip install pytesseract
• pytesseract模块要与PIL一起使用
• 实例

import pytesseract
from PIL import Image
# 打开图片
image = Image.open('demo2.jpeg')
# 识别结果，第一个参数是图片，第二个参数是语言
print(pytesseract.image_to_string(image, land='eng'))

2V¥K