Tesseract-ocr编译+API调用(c++/python)

在吐血若干天后终于把整条路走通了，写出来省的后面的童鞋走弯路。
首先，强烈推荐在ubuntu下编译加调用，哪怕你最终的目标是windows也最好先在ubuntu下弄一下，因为真的可以很顺利，按照官网的步骤 一步一步的apt-get，最后make & make install就OK了。
===================我是吃饱了你还要给我塞狗粮的分界线============================
windows10 下编译
1. 下载cmake，添加cmake的bin目录到系统PATH
2. 下载cppan.exe,添加cppan所在的目录到系统PATH(一定要做，我就是这里没做，而是拷贝了一份到cmake的bin目录下完事，结果一直报错，说找不到cppan，整个人疯了)，顺便把cppan.exe拷贝一份到cmake.exe所在的bin目录下
3. 下载Tesseract-ocr源码
4. 最新的Tesseract-ocr需要vc2015 or vc2017，所以为了后面各种莫名其妙的错误最好已经安装VS2015或VS2017
5. 关闭你的各种杀毒软件包括什么电脑管家
6. 打开cmd,切换到Tesseract-ocr所在的目录，运行“cppan.exe”，会下载一堆东西耐心等吧，这中间不要断网，win10的defender会询问什么危险 不管它 继续就行
7. 还是在Tesseract-ocr所在的目录下

mkdir build
cd build
cmake ..

别用cmake目录下的那个gui，各种问题！这里最容易出问题的就是提示“找不到*.vcproj模板”或者”cppan找不到之类的”，检查你的vs是不是把vc完整安装了，cmake的时候需要MSBuild.exe，检查你的系统变量；后面的cppan就是要把它所在的目录配进系统变量的PATH中
8. 上面完成后在build目录下会生成一个tesseract.sln，直接用vs打开，在工程中吧cppan-d-b-d移除，否则编译的时候有几千个编码或链接错误，这个工程和我们要用的tesseract.lib没啥关系，然后重新编译会有各种警告不管他 最后就可以得到tesseract400d.lib（c++调用的时候要用到这个文件）和tesseract.exe
9. 把”C:\Users\XXX.cppan\storage\bin\9dbf6c7c\Debug”下的所有.dll文件拷贝到tesseract.exe所在目录，然后找个简单点的jpg文件也放在该目录下，运行”tesseract.exe 1.jpg 1_1”，不报错的话会在该目录下生成一个 1_1.txt,这里就是jpg图片里的文字，如果报错了 恭喜你中奖了，那就看看错误提示吧，我是遇到了一个源码的bug,搞N久，现在最新版本里的这个bug已经修改过了。
10. 至此编译阶段已经全部搞定，在windows下走到这一步的都是胜利。再重申一遍 哥们还是先在ubuntu下编译吧，你会发现windows严重阻碍了我们积极进取的心
================我是“谁给我塞狗粮我就拉黑谁”的分割线========================
c++/python 调用Tesseract-ocr API
这里windows下还有个坑，你在上面编译的时候需要留意下你编译出来的是x64还是win32，在c++下还好说，如果调用的时候提示平台神马的，你改下目标平台适配*.lib就可以了，但是在python下没法改啊，所以……如果你编译的是win32，那你需要安装32位的python，否则64位的python。不要问我我是怎么知道的，因为我写过python调用dll的项目啊(我怎么可能告诉你这里又被坑了！！！！)
c++ 调用示例：
1. 在Tesseract-ocr目录下新建一个include目录，然后进入再新建两个目录”leptonica”和”tesseract”

把Tesseract-ocr\src目录下的所有文件夹都拷贝到新建的tesseract文件夹下，其实只用到了其中几个，不想找太多直接拷贝吧；在github下载leptonica-1.76.0，将leptonica-1.76.0\src下的所有文件拷贝到上面新建的leptonica目录下
2. 同样在Tesseract-ocr目录下新建一个lib目录,把C:\Users\XXX.cppan\storage\lib\9dbf6c7c\Debug下的所有lib文件拷贝过来，其实这样做就是为了便于管理和在项目中引入
3. 先建环境变量“TESSDATA_PREFIX”，值是Tesseract-ocr目录下的tessdata文件夹路径，tessdata文件夹下存放训练好的语言模型‘eng.traineddata’

4. 新建一个vc控制台工程，右键项目属性，”VC++目录”->”包含目录”，把第一步建立的文件夹包含进去；”库目录”把第二不建的文件夹填入;”连接器”->”输入”->”编辑” 填入

pvt.cppan.demo.danbloomberg.leptonica-1.76.0.lib
tesseract40d.lib

这两个文件名


在主函数中写测试代码：

#include "stdafx.h"

#include <leptonica\allheaders.h>
#include <tesseract\api\baseapi.h>

using namespace tesseract;

int main()
{
    char *outText;

    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    // Initialize tesseract-ocr with English, without specifying tessdata path  
    if (api->Init(NULL, "eng"))
    {
        fprintf(stderr, "Could not initialize tesseract.\n");
        exit(1);
    }

    // Open input image with leptonica library  
    Pix *image = pixRead("1.tif");
    api->SetImage(image);
    // Get OCR result  
    outText = api->GetUTF8Text();
    printf("---- OCR output:---- \n%s", outText);

    // Destroy used object and release memory  
    api->End();
    delete[] outText;
    pixDestroy(&image);
    return 0;
}

编译运行，这个世界终于安静了。有可能会出现连接错误，仔细检查上面的工程配置！

python调用示例：
这里说的不是简单的在python中运行“tesseract.exe”后面加参数，而是和C++一样调用DLL中的API，网上绝大部分的都是直接运行tesseract.exe，即便是安装pytesseract这个包，最终还是调用的.exe文件！如果你之前写过python调用dll文件，应该对这个过程很熟悉，利用ctypes.cdll.LoadLibrary(libname)来导入DLL文件，然后做函数声明，最后在代码中调用，我们刚刚已经生成了tesseract.lib，所以完全可以自己利用ctypes.cdll.LoadLibrary(libname)来做这个事情，但是你弄过就会明白声明的时候会有各种问题，主要集中在C的指针和各种类型的变量对应的python类型，还好已经有人帮我们做完这个事情了，先

pip install pyocr

找到C:\Python36\Lib\site-packages\pyocr\libtesseract\tesseract_raw.py，打开后把导入error这一行改成：

sys.path.append('../')
from pyocr.error import TesseractError

保存后退出
测试代码：

from pyocr.libtesseract import tesseract_raw
from PIL import Image

img = Image.open('1.jpg')
handle = tesseract_raw.init(lang='eng')
tesseract_raw.set_image(handle, img)
text = tesseract_raw.get_utf8_text(handle)
print(text)
tesseract_raw.cleanup(handle)

这里的代码和上面的C++代码完全一一对应。切记，你的dll文件一定要和python的平台一致，要么都是win32要么都是x64，否则在tesseract_raw.init(lang=’eng’)的时候会报错！
==============================我是可爱的结束语================================
至此，路已经全部打通。所有tesseract导出的C-API都在..\src\api\capi.h中声明，所以需要在源码中添加特殊功能的话在这里声明下导出即可，然后在tesseract_raw.py中对导出的函数进行声明和封装，最后在自己的代码中调用即可。这里都是源码级别的修改和调用，灵活性很大，可以满足客官的各种需求 哈哈！后面再写一篇CTPN的，加上这篇，整个OCR的路就全通了~