tesseract-ocr图片文字转换（win10+centos7）

前言

Tesseract，一款由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。

---

一、window10安装tesseract-ocr

1、下载安装包

下载地址：

http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe

下载过慢，可以使用网盘下载

tesseract-ocr-setup-4.00.00dev.exe，提取码：mo60

2、下载语言文字库

下载地址：

https://codechina.csdn.net/mirrors/tesseract-ocr/tessdata/-/archive/master/tessdata-master.zip

3、安装tesseract-ocr

安装很简单直接点击下一步就行，记得选择自己安装盘符就行了，安装成功后会在相应磁盘下有Tesseract-OCR文件夹，如图：

需要将我们下载的语言库tessdata-master.zip解压，复制到Tesseract-OCR文件夹下tessdata目录下面，重复的文件进行跳过，如图：

4、配置环境变量

我的是安装在D:\Program Files (x86)\Tesseract-OCR，配置环境变量path，如图：

还需要配置我们的语言库环境变量TESSDATA_PREFIX，如图：

到这里基本安装成功了，在cmd中执行tesseract -v，如图：

用命令tesseract --list-langs来查看Tesseract-OCR支持语言，如图：

5、测试案例

打开pycharm，安装pytesseract库，如图：

编写测试代码，如下：

import requests
from PIL import Image
import pytesseract
from io import BytesIO

# pytesseract.pytesseract.tesseract_cmd = 'D:/Program Files (x86)/Tesseract-OCR/tesseract.exe'
# tessdata_dir_config = '--tessdata-dir "D:/Program Files (x86)/Tesseract-OCR/tessdata"'
tempdata = requests.get("https://image1.guazistatic.com/qn200416174110f7bacec292ac6b9f867957cbcf4079eb.jpg")
tempIm = BytesIO(tempdata.content)
image = Image.open(tempIm)
code = pytesseract.image_to_string(image)
print(code)

如果代码不指定pytesseract.pytesseract.tesseract_cmd，需要在python库里修改pytesseract.py文件，如图：

添加我们tesseract-ocr的安装路径，如图：

最后启动脚本，输出如下：

二、cenos 7安装tesseract-ocr

1、安装centos系统依赖

yum install -y automake autoconf libtool gcc gcc-c++ 
yum install -y libpng-devel libjpeg-devel libtiff-devel

下载leptonica-1.78和tesseract-ocr4.0

wget https://gitee.com/mirrors/leptonica/repository/archive/1.78.0.zip
wget https://gitee.com/MaNongM/tesseract/repository/archive/4.0.0.zip

2、安装leptonica

unzip mirrors-leptonica-1.78.0.zip
cd leptonica/
sh autogen.sh
./configure --prefix=/usr/local/leptonica
make
make install

配置leptonica环境变量

vim /etc/profile

添加以下字段

PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/leptonica/lib/pkgconfig
export PKG_CONFIG_PATH
CPLUS_INCLUDE_PATH=$CPLUS_INCLUDE_PATH:/usr/local/leptonica/include/leptonica
export CPLUS_INCLUDE_PATH
C_INCLUDE_PATH=$C_INCLUDE_PATH:/usr/local/leptonica/include/leptonica
export C_INCLUDE_PATH
LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/leptonica/lib
export LD_LIBRARY_PATH
LIBRARY_PATH=$LIBRARY_PATH:/usr/local/leptonica/lib
export LIBRARY_PATH
LIBLEPT_HEADERSDIR=/usr/local/leptonica/include/leptonica
export LIBLEPT_HEADERSDIR

应用配置

source /etc/profile

3、安装 tesseract

unzip MaNongM-tesseract-4.0.0.zip
cd tesseract-4.0.0/
sh autogen.sh
./configure --prefix=/usr/local/tesseract
make
make install

配置 tesseract 环境变量，打开 /etc/profile

vim /etc/profile

追加以下字段

PATH=$PATH:/usr/local/tesseract/bin
export PATH
TESSDATA_PREFIX=/usr/local/tesseract/share/tessdata
export TESSDATA_PREFIX

应用配置

source /etc/profile

下载tessdata语言包

weget https://gitee.com/rx-code/tessdata_fast/repository/archive/master.zip
unzip rx-code-tessdata_fast-master.zip
mv /usr/local/tesseract/share/tessdata/ /usr/local/tesseract/share/tessdata_bak  #备份原来的数据包
mkdir /usr/local/tesseract/share/tessdata/
mv tessdata_fast/* /usr/local/tesseract/share/tessdata/

注:要养成备份数据好习惯，不然出错就要重新安装tesseract

测试一下：

tesseract -v

输出：

tesseract 4.0.0
 leptonica-1.78.0
  libjpeg 6b (libjpeg-turbo 1.2.90) : libpng 1.5.13 : libtiff 4.0.3 : zlib 1.2.7
 Found AVX
 Found SSE

4、测试案例

# test.py
import requests
from PIL import Image
import pytesseract
from io import BytesIO

# pytesseract.pytesseract.tesseract_cmd = 'D:/Program Files (x86)/Tesseract-OCR/tesseract.exe'
# tessdata_dir_config = '--tessdata-dir "D:/Program Files (x86)/Tesseract-OCR/tessdata"'
tempdata = requests.get("https://image1.guazistatic.com/qn200416174110f7bacec292ac6b9f867957cbcf4079eb.jpg")
tempIm = BytesIO(tempdata.content)
image = Image.open(tempIm)
code = pytesseract.image_to_string(image)
print(code)

执行测试脚本：

python3 test.py

输出结果：

2013-04

总结

win10和linux安装基本类似，只是需要额外的库，安装时间比较慢，安装过程中出错可能需要重新安装，这里的环境变量配置很重要，同时需要解析图片的语言库，如果缺少语言库，解析图片就会报错