tesseract-ocr ubuntu 安装使用

tesseract-ocr是开源的光学字符识别引擎，有Google的支持，支持很多种语言的识别，下面说一下 我的安装步骤

其实官方文档上说的很细，下面列出其中的命令，

[plain] view plain copy

1. sudo apt-get install autoconf automake libtool  
2. sudo apt-get install libpng12-dev  
3. sudo apt-get install libjpeg62-dev  
4. sudo apt-get install libtiff4-dev  
5. sudo apt-get install zlib1g-dev  

注意最后一个zlib1g-dev中的1g是数字1，而不是小写字母l,

[plain] view plain copy

1. sudo apt-get install libleptonica-dev  

下载源文件包解压（目前是3.0），进入目录

[plain] view plain copy

1. ./runautoconf  
2. ./configure  
3. make  
4. sudo make install  

下载语言数据包解压：你可以在这找到更多的语言包

[plain] view plain copy

1. gzip -d eng.traineddata.gz  

移动到数据包安装目录下，默认为 /usr/local/share/tessdata

[plain] view plain copy

1. mv eng.traineddata /usr/local/share/tessdata  
2.   
3. export TESSDATA_PREFIX=/usr/local/share/  

安装图片格式转换工具，因为tesseract只识别tif格式的图片。

[plain] view plain copy

1. apt-get install imagemagick  

你可以使用下面的命令转换图片

[plain] view plain copy

1. convert a.jpg a.tif  

好了，测试一下吧

[plain] view plain copy

1. tesseract <image> <outputbasename> [-l lang] [configs]  
2.   
3. tesseract a.tif a  

默认为英语，如果你要识别其它语言请使用-l 参数指定，如

[plain] view plain copy

1. tesseract a.tif a -l chi_sim  
2.   
3. cat a.txt  

你将会看到识别出的文字，太棒了。好了，下面就可以用程序去调用识别文字了，

对于java你也可以使用tess4j封装的API，对于PHP你可以使用exec调用再对文件进行处理，

如果你遇到 lib **.so 找不到请运行

[plain] view plain copy

1. sudo ldconfig 
   

结合项目可使用开源项目：

https://github.com/thiagoalessio/tesseract-ocr-for-php