图片文字提取

今天一朋友给我一文件图片，问我有没有文本，一大段文字自己重新敲一遍确实是很费劲，想到用机器来识别试试

tesseract-ocr

最近看到过tesseract-ocr识别的介绍，详细介绍
首先需要下载安装tesseract-ocr，下载链接：https://digi.bib.uni-mannheim.de/tesseract/
最初选的是tesseract-ocr-w32-setup-v4.1.0.20190314.exe
安装时把最后一个选项Additional language data选中，因为原始的只包含英文，用来识别其他语言就会乱码（只用来提取英文的玩家请无视）

但是在安装时总会提示新的语言包无法下载，我以为是版本不够新，卸载了换成tesseract-ocr-w64-setup-v5.0.0.20190623.exe还是同样的问题,但是还是可以进行英文提取的。

添加环境

在Path中添加D:\Program Files\Tesseract-OCR
添加TESSDATA_PREFIX默认应为C:\Program Files\Tesseract-OCR\tessdata

我的安装在D盘所以不一样

从网上专门下载中文语言包

第一步：安装Git
直接百度Git，下载，安装，非常简单不赘述
第二步：cmd中定位到你想操作文件夹的目录下
输入以下命令

git init
git remote add -f origin https://gitee.com/colluslau/tessdata_fast.git
git config core.sparsecheckout true
echo chi_sim.traineddata >> .git/info/sparse-checkout
echo chi_sim_vert.traineddata >> .git/info/sparse-checkout
echo chi_tra.traineddata >> .git/info/sparse-checkout
echo chi_tra_vert.traineddata >> .git/info/sparse-checkout
git pull origin master

下载完成以后把chi开头的这四个文件拷贝到D:\Program Files\Tesseract-OCR\tessdata文件夹下
此时在命令行输入tesseract --list-langs可以看到多了四种语言共6种了。

最后一步：
准备好图片
cmd输入

tesseract 图片路径 保存文件路径(默认txt文件) [-l chi_sim](语言选择）

如

tesseract E:\word_extract\image\extract\t3.jpg E:\word_extract\image\extract\t3 -l chi_sim

效果比较，感觉还不错