Python-Tesseract实现图片文字识别(更新)

什么是OCR？

OCR，全称Optical Character Recognition ，中文释义为光学字符识别，是指对一个包含文本信息的图片文件的识别，目前比较流行的OCR有tesseractOCR和cnOCR,在这篇文章中我们使用识别效果较好的tesseractOCR。

安装Tesseract-OCR和pytesseract

首先我们要安装tesseract，这两个网址任选其一即可：

Home · UB-Mannheim/tesseract Wiki (github.com)

Index of /tesseract

解释一下这些名称的含义，我们以最新版本v5.20举例：

w64的w是指Windows系统，64则是指电脑CPU采用64位处理技术，setup就是安装包，后面的版本号很好理解了。但是如果版本号后面跟上alpha，dev的话就是指这个安装包为开发版或是预览版，大多数程序的开发板大多不稳定，所以这里我们就是用最新的v5.2.0稳定版安装包。

点击下载，下载完成后运行安装程序：

选择语言，没有中文，只好选英文。

然后一直next，但是注意！在选择安装语言时这个Additional lauguage data千万不要全选，要不然下载过程特别慢，如果需要的话，只安装里面的 Chinese与English组件就行了。

接下来就比较简单了，直接next，等待安装完成即可。

安装完成后我们还得添加环境变量，打开自己安装tesseract的文件夹，复制路径：

回到桌面，右键此电脑：
选择属性，点击高级系统设置，环境变量：

打开环境变量，双击用户变量的Path，新建变量：

把复制的路径粘贴进去，点确定，我们的环境配置就完成了。

验证安装

win+r，输入cmd，输入 tesseract -v 再回车，如果出现了tesseract的版本信息就说明配置成功了。

为了在python中使用tesseract，我们需要安装pytesseract，直接在cmd中用pip安装就好了：

pip install pytesseract

（无视里面的黄色字体，是我电脑的问题，对安装什么的没有影响）

实现自动识别文字

打开python编辑器，把这段代码复制进去：

import pytesseract
from PIL import Image

pytesseract.pytesseract.tesseract_cmd = 'D://Tesseract-OCR//tesseract.exe'  # 替换成你自己的tesseract安装路径

text = pytesseract.image_to_string(Image.open('D://input.png'))	# 替换成要识别的图片路径
print(text)

用windows自带画图随便做个图：

运行输出为 Hello world ，完美。

怎么样，好玩吧？不仅这样，tesseract还可以识别中文！只不过得安装相应的库，这是下载链接：
https://github.com/tesseract-ocr/tessdata/blob/main/chi_sim.traineddata
下载下来中文训练包后，把包放到tessdata中就可以识别中文了。