Python使用Tesseract OCR识别文字

        Tesseract-OCR是一款由Google维护的开源光学字符识别（OCR）引擎，它能够从图像中识别出文本，并将其转换为可编辑的文本格式。以下是关于Tesseract-OCR的详细介绍：

一、背景与发展

• 起源：Tesseract最初是惠普实验室的一款专利软件，主要用于满足联合国和图书馆对文档数字化的需求。
• 开源与发展：在2005年，Tesseract被开源，并随后由Google收购和赞助进行后续的开发和维护。
• 技术支持：随着技术的发展，Tesseract引入了深度学习技术，如LSTM（长短期记忆网络），显著提升了识别的准确性和速度。

二、主要功能与特点

1. 高精度识别：Tesseract采用深度学习等先进技术，对图像中的文本进行高精度识别，尤其对印刷体文本的识别率高达95%以上。
2. 多语言支持：支持超过100种语言的识别，包括英文、中文（简体和繁体）、德文、法文等，且可通过训练来扩展识别其他语言。
3. 灵活性与可扩展性：提供灵活的API接口，可轻松集成到各种应用中。同时，用户还可以根据需要自定义训练模型，以满足特定领域或特殊字体的需求。
4. 跨平台性：支持Windows、Mac OS、Linux等多种操作系统，具有良好的兼容性和扩展性。
5. 广泛应用：可应用于文档数字化、社交媒体分析、自动化数据输入等多个领域。

三、使用方法

官方网站：https://github.com/tesseract-ocr/tesseract
官方文档：https://github.com/tesseract-ocr/tessdoc
语言包地址：https://github.com/tesseract-ocr/tessdata
下载地址：https://digi.bib.uni-mannheim.de/tesseract/

1. 下载与安装：
   1. 下载地址在本文章顶部，注意尽量不要下载带dev，alpha，beta等版本，这些版本不稳定，也可能是测试版本。建议下载最新稳定版本。
   2. 安装过程可以附带选择要安装的语言包，如下简体中文，之后自动会从服务器下载该语言包下来。（这里不建议勾选下载语言包，因为速度太慢了，教程后面会介绍怎么拓展语言包。）
   3. 在文章顶部找到语言包地址的链接，下载需要的的语言包，如下图，红框内为中文简体语言包，下载后将该包直接放在程序安装目录的tessdata文件夹里面即可。
2. 配置环境变量：
3. 基本使用：

   #!/usr/bin/env python3
   # -*- coding: utf-8 -*-
   
   import pytesseract
   from PIL import Image
   
   # 建议图像识别前，先对图像进行灰度化和 二值化，以提高文本识别率（这里略过）
   
   
   image = Image.open("D:1234.jpg")
   # 解析图片，lang='chi_sim'表示识别简体中文，默认为English
   # 如果是只识别数字，可再加上参数config='--psm 6 --oem 3 -c tessedit_char_whitelist=0123456789'
   content = pytesseract.image_to_string(image, lang='chi_sim')
   print(content)

   参考链接：https://www.jianshu.com/p/f7cb0b3f337a